Ectrap Jam Tr3

Internet - http://www.ucm.
es/info/ecocuan/jam/ectrap/
Facultad de Ciencias
Econmicas y Empresariales

ECONOMETR A APLI CADA

3
ANLI SI S UNI VARI ANTE DE SERI ES TEMPORALES

J os Al ber t o Maur i c i o

Departamento de Economa Cuantitativa
ECONOMETRA APLICADA 3 ANLISIS UNIVARIANTE DE SERIES TEMPORALES

PGINA 1
I NTRODUCCI N
3.1 OBJ ETI VOS DEL ANLI SI S UNI VARI ANTE DE SERI ES TEMPORALES
Describir la evolucin temporal observada de alguna caracterstica de inters de una
entidad observable determinada.
Prever la evolucin futura (desconocida) a corto plazo de dicha caracterstica,
utilizando tan slo informacin (conocida) sobre su pasado. Esta informacin constituye
lo que se conoce como una serie temporal univariante.
3.2 SERI E TEMPORAL UNI VARI ANTE
Secuencia de N observaciones (datos), ordenadas y equidistantes cronolgicamente, sobre
una nica caracterstica de cierta entidad observable en diferentes momentos.
Representaciones:
1 2
, , ...,
N
y y y ;
1 2
[ , , ..., ]
N
y y y

y ;
1
( )
N
t
t
y
=
; ( 1, ..., )
t
y t N = ; donde
t
y es
la observacin nmero t (1 ) t N de la serie y N es el nmero de observaciones de que
consta la serie completa (el tamao o la longitud de la serie).

PGINA 2
-4
-3
-2
-1
0
1
2
3
4
1980 1984 1988 1992 1996 2000
TASA DE PARO
TRIMESTRAL - PORCENTAJE - ST20
N = 84 - MEDIA = 18.56 - DT = 3.35
-4
-3
-2
-1
0
1
2
3
4
1989 1991 1993 1995 1997 1999 2001
IBEX35 AL CIERRE DE LA LTIMA SESIN DE MES
MENSUAL - BASE 29/12/1989 = 3000 - ST14
N = 156 - MEDIA = 5380.9 - DT = 3146.5
-4
-3
-2
-1
0
1
2
3
4
1989 1991 1993 1995 1997 1999 2001
TASA LOGARTMICA DE VARIACIN MENSUAL DEL IBEX35
MENSUAL - PORCENTAJE - ST14
N = 155 - MEDIA = 0.70 - DT = 6.42
-4
-3
-2
-1
0
1
2
3
4
1880 1900 1920 1940 1960
VOLUMEN DEL FLUJO DEL RO NILO EN ASUN
ANUAL - MILES DE HECTMETROS CBICOS - ST16
N = 100 - MEDIA = 91.94 - DT = 16.92
-4
-3
-2
-1
0
1
2
3
4
1965 1970 1975 1980 1985 1990 1995
TASA LOGARTMICA DE VARIACIN ANUAL DEL PIB REAL
ANUAL - PORCENTAJE - ST02
N = 33 - MEDIA = 3.36 - DT = 2.39
-4
-3
-2
-1
0
1
2
3
4
1989 1991 1993 1995 1997 1999 2001
NDICE GENERAL DE PRODUCCIN INDUSTRIAL ( IPI )
MENSUAL - BASE 1990 = 100 - ST14
N = 156 - MEDIA = 105.84 - DT = 15.83
FIGURA 3.1
Series Temporales Univariantes


PGINA 3
3.3 SERI ES ESTACI ONARI AS Y SERI ES NO ESTACI ONARI AS
Una serie temporal es estacionaria en media cuando su evolucin presenta un nivel medio
que es constante.
Una serie temporal es estacionaria en varianza cuando es estacionaria en media y, adems,
su evolucin presenta una dispersin constante alrededor de su nivel medio.
Observacin 1: Suele decirse que una serie es estacionaria (sin ms calicativos) cuando lo es en varianza. Algunos
trminos asociados con la estacionariedad son estabilidad, homogeneidad, equilibrio y ausencia de tendencia.
Una serie temporal es no estacionaria en media cuando su nivel medio no es constante.
Una serie temporal es no estacionaria en varianza [i] cuando es no estacionaria en media, o
bien [ii] cuando su dispersin alrededor de su nivel medio no es constante, o bien [iii]
cuando se dan ambas circunstancias al mismo tiempo.
Observacin 2: Los tipos de no estacionariedad ms frecuentes son los que tienen que ver con el caso [i] (incluyendo la
estacionalidad) y con el caso [iii] de la no estacionariedad en varianza. Suele decirse que una serie es no estacionaria
(sin ms calicativos) cuando no es estacionaria por un slo motivo o por varios al mismo tiempo. Algunos trminos
asociados con la no estacionariedad son inestabilidad, heterogeneidad, desequilibrio y tendencia. Muchas series que
son no estacionarias pueden convertirse en series estacionarias mediante la aplicacin de transformaciones sencillas.

PGINA 4
-4
-3
-2
-1
0
1
2
3
4
1989 1991 1993 1995 1997 1999 2001
TASA LOGARTMICA DE VARIACIN MENSUAL DEL IBEX35
N = 155 - MEDIA = 0.70 - DT = 6.42
-4
-3
-2
-1
0
1
2
3
4
1970 1980 1990 2000
DIFERENCIAL DE LA DEUDA EN EEUU A 3 AOS Y A 3 MESES
TRIMESTRAL - PUNTOS PORCENTUALES - ST24
N = 152 - MEDIA = 1.05 - DT = 0.89
-4
-3
-2
-1
0
1
2
3
4
1775 1790 1805 1820 1835 1850 1865
MANCHAS SOLARES ( WLFER SUNSPOT NUMBERS )
NMERO MEDIO ANUAL - ST18 ( BJR E )
N = 100 - MEDIA = 46.93 - DT = 37.37
-4
-3
-2
-1
0
1
2
3
4
1880 1900 1920 1940 1960
VARIACIN ANUAL DEL FLUJO DEL RO NILO EN ASUN
ANUAL - MILES DE HECTMETROS CBICOS - ST16
N = 99 - MEDIA = -0.38 - DT = 16.81
FIGURA 3.2
Series Temporales Estacionarias

PGINA 5
-4
-3
-2
-1
0
1
2
3
4
1989 1991 1993 1995 1997 1999 2001
IBEX35 AL CIERRE DE LA LTIMA SESIN DE MES
MENSUAL - BASE 29/12/1989 = 3000 - ST14
N = 156 - MEDIA = 5380.9 - DT = 3146.5
-4
-3
-2
-1
0
1
2
3
4
1970 1980 1990 2000
RENTABILIDAD DE LA DEUDA PBLICA A 3 AOS EN EEUU
TRIMESTRAL - PORCENTAJE - ST24
N = 152 - MEDIA = 7.25 - DT = 2.59
-4
-3
-2
-1
0
1
2
3
4
1989 1991 1993 1995 1997 1999 2001
TIPOS DE INTERS PARA PRSTAMOS PERSONALES
N = 156 - MEDIA = 12.46 - DT = 4.72
-4
-3
-2
-1
0
1
2
3
4
1993 1994 1995 1996 1997 1998 1999 2000 2001
INFLACIN INTERANUAL - TASA LOGARTMICA
N = 108 - MEDIA = 3.34 - DT = 1.10
FIGURA 3.3
Series Temporales No Estacionarias


PGINA 6
-4
-3
-2
-1
0
1
2
3
4
1989 1991 1993 1995 1997 1999 2001
NDICE GENERAL DE PRODUCCIN INDUSTRIAL ( IPI )
MENSUAL - BASE 1990 = 100 - ST14
N = 156 - MEDIA = 105.84 - DT = 15.83
-4
-3
-2
-1
0
1
2
3
4
1989 1991 1993 1995 1997 1999 2001
VIVIENDAS INICIADAS
MENSUAL - MILES - ST14
N = 156 - MEDIA = 27.27 - DT = 11.36
-4
-3
-2
-1
0
1
2
3
4
1949 1951 1953 1955 1957 1959
PASAJEROS DE LNEAS AREAS INTERNACIONALES
MENSUAL - MILES - ST19 ( BJR G )
N = 144 - MEDIA = 280.30 - DT = 119.97
-4
-3
-2
-1
0
1
2
3
4
1989 1991 1993 1995 1997 1999 2001
TEMPERATURA MEDIA REGISTRADA EN MADRID - RETIRO
MENSUAL - GRADOS CENTGRADOS - ST14
N = 156 - MEDIA = 15.06 - DT = 6.87
FIGURA 3.4
Series Temporales Estacionales


PGINA 7
3.4 MODELOS UNI VARI ANTES
Modelo de Ruido Blanco - White Noise
En este modelo se supone que una serie estacionaria
1 2
[ , , ..., ]
N
y y y

y es una realizacin
particular de un vector
1 2
[ , , ..., ]
N
A A A

A de variables aleatorias IID (idntica e
independientemente distribuidas) con media 0 y varianza
2
0
A
s > . En un modelo de ruido
blanco Normal o Gaussiano se supone, adems, que cada
t
A sigue una distribucin Normal.
Observacin 3: Una secuencia genrica
1 0 1
( ) (..., , , , ...)
t
A A A A
-
de variables aleatorias IID con media 0 y varianza
2
0
A
s > se denomina un proceso de ruido blanco y se representa como
2
( ) IID(0, )
t
A
A s . Cuando, adems, cada
t
A
sigue una distribucin Normal, la secuencia ( )
t
A es un proceso de ruido blanco Normal o Gaussiano, que se
representa como
2
( ) NIID(0, )
t
A
A s .
Modelo AR(1) - Autorregresivo de Orden 1
1 2
[ , , ..., ]
N
y y y

y es una realizacin
1 2
[ , , ..., ]
N
Y Y Y

Y de variables aleatorias tales que

1 1 t t t
Y Y A m f
-
= + + ( 1, 2, ..., ), t N =
donde m y
1
f son parmetros,
1
1 f < (estacionariedad), y
2
( ) IID(0, )
t
A
A s .

PGINA 8
Modelo AR(2) - Autorregresivo de Orden 2
1 2
[ , , ..., ]
N
y y y

y es una realizacin
1 2
[ , , ..., ]
N
Y Y Y


1 1 2 2 t t t t
Y Y Y A m f f
- -
= + + + ( 1, 2, ..., ), t N =
donde m,
1
f y
2
f son parmetros, las dos races de la ecuacin
2
1 2
1 0 x x f f - - = estn
fuera del crculo unitario (estacionariedad), y
2
( ) IID(0, )
t
A
A s .
Modelo MA(1) - Media-Mvil de Orden 1
1 2
[ , , ..., ]
N
y y y

y es una realizacin
1 2
[ , , ..., ]
N
Y Y Y


1 1 t t t
Y A A m q
-
= + - ( 1, 2, ..., ), t N =
donde m y
1
q son parmetros,
1
1 q < (invertibilidad), y
2
( ) IID(0, )
t
A
A s .
Modelo de Paseo Aleatorio - Random Walk
En este modelo se supone que una serie no estacionaria
1 2
[ , , ..., ]
N
y y y

y es una

PGINA 9
realizacin particular de un vector
1 2
[ , , ..., ]
N
Y Y Y


1 t t t
Y Y A m
-
= + + ( 1, 2, ..., ), t N =
donde m es un parmetro (que en muchas ocasiones vale cero), y
2
( ) IID(0, )
t
A
A s .
Observacin 4: Un paseo aleatorio es un modelo AR(1) con
1
1 f = , es decir, un modelo AR(1) no estacionario. [Ntese
que cuando
1
1 f = , la ecuacin caracterstica
1
1 0 x f - = asociada con un modelo AR(1) tiene una raz unitaria
( 1) x
*
= .] Por otro lado, un paseo aleatorio puede escribirse como
1 t t t
Y Y A m
-
- = + , de manera que una serie
temporal ( 1, ..., )
t
y t N = no estacionaria sigue un paseo aleatorio cuando su diferencia regular de orden 1
1
( 2, ..., )
t t t
w y y t N
-
- = es una realizacin particular de un vector de variables aleatorias
2
IID( , )
A
m s [donde el
parmetro m puede valer cero, en cuyo caso la serie ( 2, ..., )
t
w t N = seguira un modelo de ruido blanco].
Observacin 5: Un paseo aleatorio es el modelo ms sencillo para una serie integrada de orden 1, I(1) (es decir, una
serie no estacionaria cuya diferencia regular de orden 1 es una serie estacionaria); por extensin de esta terminologa,
una serie estacionaria suele denominarse una serie serie integrada de orden 0, I(0). La notacin ( ) I(1)
t
y signica
que ( )
t
y es una serie I(1) (integrada de orden 1), mientras que la notacin ( ) I(0)
t
y signica que ( )
t
y es una serie
estacionaria (integrada de orden 0).
Observacin 6: Las seis series de la Figura 3.5 han sido simuladas (generadas articialmente) a partir de la ecuacin
que dene el modelo correspondiente, utilizando como punto de partida una secuencia de 150 nmeros aleatorios
independientes generados con EViews a partir de una distribucin N(0,1) (una serie simulada a partir de un modelo
de ruido blanco con
2
1
A
s = ). Todas estas series se encuentran en el archivo ST26-SimSeries.wf1, donde se describe
explcitamente la ecuacin empleada para generar cada una de ellas.

PGINA 10
-4
-3
-2
-1
0
1
2
3
4
15 30 45 60 75 90 105 120 135 150
RUIDO BLANCO - NIID(0,1)
N = 150 - MEDIA = 0.08 - DT = 0.99
1
-4
-3
-2
-1
0
1
2
3
4
15 30 45 60 75 90 105 120 135 150
AR(1) PHI = 0.8 MU = 0
N = 150 - MEDIA = 0.38 - DT = 1.54
1
-4
-3
-2
-1
0
1
2
3
4
15 30 45 60 75 90 105 120 135 150
AR(2) PHI1 = 0.75 PHI2 = -0.5 MU = 0
N = 150 - MEDIA = 0.09 - DT = 1.28
1
-4
-3
-2
-1
0
1
2
3
4
15 30 45 60 75 90 105 120 135 150
MA(1) THETA1 = 0.8 MU = 0
N = 149 - MEDIA = 0.01 - DT = 1.30
1
-4
-3
-2
-1
0
1
2
3
4
15 30 45 60 75 90 105 120 135 150
PASEO ALEATORIO - MU = 0
N = 150 - MEDIA = 11.01 - DT = 6.11
1
-4
-3
-2
-1
0
1
2
3
4
15 30 45 60 75 90 105 120 135 150
PASEO ALEATORIO - MU = 0.5
N = 150 - MEDIA = 48.26 - DT = 26.53
1
FIGURA 3.5
Series Temporales Simuladas


PGINA 11
DESCRIBIR Y PREVER UNA SERIE TEMPORAL
IDENTIFICACIN
ESTIMACIN
Software
MODELO
DIAGNOSIS REVISIN
INFORME DE RESULTADOS
DESCRIPCIN
CLCULO DE PREVISIONES
DATOS - SERIE TEMPORAL

FIGURA 3.6
La Metodologa del Anlisis Univariante de Series Temporales


PGINA 12
I DENTI FI CACI N
La identicacin de un modelo provisional o tentativo para una serie temporal consiste en
el planteamiento de ciertas hiptesis que se espera resuman adecuadamente las propiedades
muestrales ms importantes de dicha serie.
La propiedad fundamental de una serie es la que tiene que ver con su carcter estacionario
o no estacionario, segn el caso.
Cuando una serie es estacionaria, sus propiedades muestrales ms importantes son [i] su
nivel medio, [ii] su dispersin y [iii] su dinmica (inercia o memoria), que pueden resumirse
conjuntamente a travs de un modelo univariante estacionario.
Cuando una serie es no estacionaria, un enfoque til consiste en aplicarle primero ciertas
transformaciones para convertirla en una serie estacionaria y proceder despus como en el
caso de series estacionarias. Un modelo que se obtiene al juntar dichas transformaciones con
un modelo univariante estacionario para la serie transformada (estacionaria) suele
denominarse un modelo univariante no estacionario para la serie original.

PGINA 13
3.5 TRANSFORMACI ONES DE SERI ES NO ESTACI ONARI AS
Aunque existen otras posibilidades, los tipos de no estacionariedad que se observan con ms
frecuencia en la prctica son los que se indican a continuacin.
TABLA 3.1
Tipos Frecuentes de No Estacionariedad
Nivel Medio General Estacionalidad Dispersin No Constante Dispersin Constante
No Constante
No A C
Si B D
Constante
No F - Poco Frecuente E - Estacionariedad
Si G - Poco Frecuente H
Observacin 7: Ejemplo A: Figura 3.1 IBEX 35. Ejemplo B: Figura 3.4 Viviendas Iniciadas. Ejemplo C: Figura 3.3
Inacin Interanual. Ejemplo D: Figura 3.1 Tasa de Paro. Ejemplo H: Figura 3.4 Temperatura Media en Madrid.

PGINA 14
3.5.1 Estabilizacin de la Dispersin - Transformacin General
Sea
1 2
[ , , ..., ]
N
y y y

y una serie temporal no estacionaria del tipo A o B de la Tabla 3.1.
Considrese la hiptesis de que dicha serie es una realizacin particular de un vector
1 2
[ , , ..., ]
N
Y Y Y

E[ ]
t t
Y m y
2
Var[ ]
t
t
Y s
existen y dependen de t (no son constantes). Si, adems, es razonable suponer que

2 2 2
( )
t
t
h s s m = , [1]
donde
2
0 s > es una constante y h() es una funcin real tal que () 0 h =/ para cualquier
valor de
t
m , entonces una transformacin estabilizadora de la dispersin para la serie
considerada es cualquier funcin real g() tal que

1
()
()
g
h
= para cualquier valor de

t
m . [2]
Observacin 8: Una aproximacin de Taylor de primer orden (lineal) a ( )
t t
Y g Y
alrededor de
t
m indica que
( ) ( )( )
t t t t t
Y g g Y m m m
@ + -
; por lo tanto,
2 2 2 2 2
Var[ ] ( ) ( ) ( )
t t t t
t
Y g g h m s s m m

@ =
, que es igual
2
s (constante)
cuando g() satisface [2]. En consecuencia, el propsito de una transformacin que satisface [2] es estabilizar la
dispersin una serie temporal cuya variabilidad local depende de su nivel local razonablemente de acuerdo con [1].

PGINA 15
3.5.2 Estabilizacin de la Dispersin - Transformacin Logartmica
Cuando la dispersin de una serie temporal no estacionaria ( 1, ..., )
t
y t N = no es
constante porque su desviacin tpica local es aproximadamente proporcional a su nivel
local, puede suponerse con respecto al vector
1 2
[ , , ..., ]
N
Y Y Y

Y que DT[ ]
t t
Y s es
proporcional a E[ ]
t t
Y m , de manera que
2 2 2
t t
s s m = . Entonces, ( )
t t
h m m = en [1], y
1
( )
t
t
g m m
-
= en [2], lo que implica que () ln() g = . Por lo tanto, la dispersin de la serie

transformada logartmicamente ln ( 1, ..., )
t t
y y t N = = debe ser razonablemente estable.
Observacin 9: La transformacin logartmica es un caso particular de la llamada Transformacin de Box-Cox de
parmetros l y m (una expresin bastante general para () g en [2]), cuya frmula habitual suele escribirse como

( ) 1
( ) , con 2
t
t t
y m
y g y
l
l
l
+ -
= .
El 1 del numerador se emplea tan slo porque
{ }
0
lim [( ) 1] / ln( )
t t
Y m Y m
l
l
l
+ - = + ]. En particular, l = 0 y
m = 0 proporcionan la transformacin ln
t t
y y = .
Observacin 10: En la Figura 3.7 estn representados algunos casos particulares de [1] junto con el valor de l
requerido en la transformacin de Box-Cox para estabilizar la dispersin de la serie correspondiente. Aunque hay
otras posibilidades, en la prctica es muy frecuente que la dispersin no constante de series de los tipos A y B en la
Tabla 3.1, se pueda estabilizar aplicndoles simplemente una transformacin logartmica (Figura 3.8).

PGINA 16
2
( 1)
t
t
s sm
l
=
= -
D
E
S
V
I
A
C
I
N

T
P
I
C
A
MEDIA
( 0)
t t
s sm
l
=
=
1
2
( )
t
t
s sm
l
=
=
( 1)
t
s s
l
=
=
( 2)
t
t
s
s
m
l
=
=
FIGURA 3.7
Grfico Desviacin Tpica-Media Terico - Transformaciones de Box-Cox


PGINA 17
-4
-3
-2
-1
0
1
2
3
4
1989 1991 1993 1995 1997 1999 2001
IBEX35 - TIPO A
-2
-1
0
1
2
-2 -1 0 1 2
MEDIA
D
E
S
V
I
A
C
I
N

T
P
I
C
A
-4
-3
-2
-1
0
1
2
3
4
1989 1991 1993 1995 1997 1999 2001
LOG( IBEX35 ) - TIPO C
-2
-1
0
1
2
-2 -1 0 1 2
MEDIA
D
E
S
V
I
A
C
I
N

T
P
I
C
A
-4
-3
-2
-1
0
1
2
3
4
1989 1991 1993 1995 1997 1999 2001
VIVIENDAS INICIADAS - TIPO B
-2
-1
0
1
2
-2 -1 0 1 2
MEDIA
D
E
S
V
I
A
C
I
N

T
P
I
C
A
-4
-3
-2
-1
0
1
2
3
4
1989 1991 1993 1995 1997 1999 2001
LOG( VIVIENDAS INICIADAS ) - TIPO D
-2
-1
0
1
2
-2 -1 0 1 2
MEDIA
D
E
S
V
I
A
C
I
N

T
P
I
C
A
FIGURA 3.8
Grficos Desviacin Tpica-Media Muestrales - Transformacin Logartmica


PGINA 18
3.5.3 Operador de Retardo
El operador de retardo se representa con el smbolo B (a veces L, del ingls Backshift o Lag
operator) y se dene de acuerdo con que

1
, ( 1 entero)
d
t t t t d
BX X B X X d
- -
, [3]
donde
t
X es una variable (real o aleatoria) referida a un momento t determinado.
3.5.4 Estabilizacin del Nivel Medio General - Diferenciacin Regular
El operador diferencia regular de orden d ( 1 d entero) se representa con el smbolo
d

(a veces
d
D ) y se dene como (1 )
d d
B - (donde B es el operador de retardo de 3.5.3),
de manera que

2
1 1 2
, 2 , ...,
t t t t t t t
X X X X X X X
- - -
- - + [4]
donde
t
Observacin 11: En muchas ocasiones, la tendencia o nivel medio general no constante de series de los tipos C y D en
la Tabla 3.l, se puede transformar en un nivel medio general razonablemente estable aplicndole a la serie
correspondiente 1 d diferencias regulares (en general, no ms de 2). La justicacin terica de esta posibilidad es
algo laboriosa, pero se puede ilustrar con ejemplos sobre el efecto de la diferenciacin regular en algunas series reales.

PGINA 19
-4
-3
-2
-1
0
1
2
3
4
1993 1994 1995 1996 1997 1998 1999 2000 2001
INFLACIN INTERANUAL - TIPO C
N = 108 - MEDIA = 3.34 - DT = 1.10
-4
-3
-2
-1
0
1
2
3
4
1993 1994 1995 1996 1997 1998 1999 2000 2001
D( INFLACIN INTERANUAL ) - TIPO E
N = 107 - MEDIA = -0.02 - DT = 0.21
-4
-3
-2
-1
0
1
2
3
4
1993 1994 1995 1996 1997 1998 1999 2000 2001
D( INFLACIN INTERANUAL, 2 ) - TIPO E
N = 106 - MEDIA = 0.01 - DT = 0.24
-4
-3
-2
-1
0
1
2
3
4
1980 1984 1988 1992 1996 2000
TASA DE PARO - TIPO D
N = 84 - MEDIA = 18.56 - DT = 3.35
-4
-3
-2
-1
0
1
2
3
4
1980 1984 1988 1992 1996 2000
D( TASA DE PARO ) - TIPO D
N = 83 - MEDIA = 0.03 - DT = 0.63
-4
-3
-2
-1
0
1
2
3
4
1980 1984 1988 1992 1996 2000
D( TASA DE PARO, 2 ) - TIPO H
N = 82 - MEDIA = -0.01 - DT = 0.57
FIGURA 3.9
Diferenciacin Regular de Series con Tendencia


PGINA 20
3.5.5 Desestacionalizacin - Diferenciacin Estacional
El operador diferencia estacional de periodo S y orden D ( 1 D entero) se representa con
el smbolo
D
S
(a veces
D
S
D ) y se dene como (1 )
D S D
S
B - (donde B es el operador de
retardo de 3.5.3), de manera que, en particular (cuando D = 1),
,
S t t t S
X X X
-
- [5]
donde
t
Observacin 12: En los casos de series estacionales mensuales (S = 12 meses) y trimestrales (S = 4 trimestres),
12
y
4
suelen denominarse diferencias anuales. Ntese que 1 (1 )
S S S
S
B B - = - / para todo S > 1.
Observacin 13: Muchas series estacionales de los tipos D y H en la Tabla 3.l, se pueden transformar en series sin
estacionalidad aplicndoles una nica diferencia estacional. La justicacin terica de esta posibilidad es algo
laboriosa, pero se puede ilustrar con ejemplos sobre el efecto de la diferenciacin estacional en algunas series reales.
Observacin 14: En conclusin, si una serie temporal ( 1, ..., )
t
y t N = es no estacionaria por diversos motivos,
entonces una serie transformada del tipo
(que consta de observaciones)
d D
t
t S
w y n N d DS - -
puede ser razonablemente estacionaria si la transformacin de Box-Cox (3.5.1-3.5.2), el nmero d de diferencias
regulares (en muchos casos 0, 1 2), y el nmero D de diferencias estacionales o anuales (en muchos casos 0 1), se
escogen adecuadamente (Figura 3.11).

PGINA 21
-4
-3
-2
-1
0
1
2
3
4
1989 1991 1993 1995 1997 1999 2001
LOG( IPI ) - TIPO D
N = 156 - MEDIA = 4.65 - DT = 0.17
-4
-3
-2
-1
0
1
2
3
4
1989 1991 1993 1995 1997 1999 2001
TEMPERATURA MADRID - TIPO H
N = 156 - MEDIA = 15.06 - DT = 6.87
-4
-3
-2
-1
0
1
2
3
4
1980 1984 1988 1992 1996 2000
D( TASA DE PARO, 2 ) - TIPO H
N = 82 - MEDIA = -0.01 - DT = 0.57
-4
-3
-2
-1
0
1
2
3
4
1989 1991 1993 1995 1997 1999 2001
DLOG( IPI, 0, 12 ) - TIPO C
N = 144 - MEDIA = 0.02 - DT = 0.05
-4
-3
-2
-1
0
1
2
3
4
1989 1991 1993 1995 1997 1999 2001
D( TEMPERATURA MADRID, 0, 12 ) - TIPO E
N = 144 - MEDIA = -0.06 - DT = 2.21
-4
-3
-2
-1
0
1
2
3
4
1980 1984 1988 1992 1996 2000
D( TASA DE PARO, 2, 4 ) - TIPO E
N = 78 - MEDIA = 0.00 - DT = 0.52
FIGURA 3.10
Diferenciacin Anual de Series Estacionales


PGINA 22
-4
-3
-2
-1
0
1
2
3
4
1989 1991 1993 1995 1997 1999 2001
LOG( VIVIENDAS INICIADAS ) - TIPO D
N = 156 - MEDIA = 3.23 - DT = 0.39
-4
-3
-2
-1
0
1
2
3
4
1989 1991 1993 1995 1997 1999 2001
DLOG( VIVIENDAS INICIADAS ) - TIPO H
N = 155 - MEDIA = 0.00 - DT = 0.26
-4
-3
-2
-1
0
1
2
3
4
1989 1991 1993 1995 1997 1999 2001
DLOG( VIVIENDAS INICIADAS, 0, 12 ) - TIPO C
N = 144 - MEDIA = 0.05 - DT = 0.20
-4
-3
-2
-1
0
1
2
3
4
1989 1991 1993 1995 1997 1999 2001
DLOG( VIVIENDAS INICIADAS, 1, 12 ) - TIPO E
N = 143 - MEDIA = 0.00 - DT = 0.19
FIGURA 3.11
Efectos de Diferentes Transformaciones sobre una Serie Estacional Mensual


PGINA 23
3.6 PROPI EDADES MUESTRALES DE SERI ES ESTACI ONARI AS
3.6.1 Nivel y Dispersin
La media muestral y la varianza muestral de una serie temporal
1 2
[ , , ..., ]
N
y y y

y son

1
1
N
t
N
t
y y
=
y
2 2 1
1
( ) .
N
y t
N
t
s y y
=
- [6]
La desviacin tpica muestral (
y
s ) de la serie es la raz cuadrada de la varianza muestral.
Observacin 15: Cuando en un modelo para una serie temporal estacionaria (Apartados 3.4 y 3.7) se supone que
1 2
[ , , ..., ]
N
y y y

y es una realizacin particular de un vector
1 2
[ , , ..., ]
N
Y Y Y

Y de variables aleatorias con media
E[ ]
Y t
Y m y varianza
2
Var[ ]
t
Y
Y s constantes, se puede contrastar la signicacin de la media
Y
m utilizando un
estadstico t cuyo valor calculado es

2
/
y
y
t
s N
=
y cuya distribucin (aproximada), bajo la hiptesis nula de que 0
Y
m = , es una ( 1) t N - .
3.6.2 Dinmica I - Autocovarianza
La autocovarianza muestral de orden k ( 0 k ) de una serie temporal
1 2
[ , , ..., ]
N
y y y

y
es la covarianza muestral entre las series
t
y e
t k
y
+
( 1, ..., ) t N k = - , o, equivalentemente,

PGINA 24
entre las series
t k
y
-
e
t
y ( 1, ..., ) t k N = + :

1 1
1 1
( )( ) ( )( ) ( 0, 1, 2, ...).
N k N
k t t k t k t
N N
t t k
c y y y y y y y y k
-
+ -
= = +
- - - - = [7]
Observacin 16: La autocovarianza muestral de orden cero
0
( ) c es exactamente la varianza muestral
2
( )
y
s de la serie
considerada. Para k > 0, la autocovarianza muestral de orden k mide el grado medio de asociacin lineal entre
cualquier par de componentes de una serie separados entre s por k perodos (es decir, el grado medio de inuencia de
cualquier observacin
t
y sobre
t k
y
+
, o, equivalentemente, el grado medio de dependencia de cualquier observacin
t
y
con respecto a
t k
y
-
). La secuencia
0 1 2
, , , ... c c c se denomina la Funcin de Autocovarianza Muestral de la serie
temporal
1 2
, , ...,
N
y y y .
3.6.3 Dinmica II - Autocorrelacin Simple
La autocorrelacin simple muestral de orden k (k > 0) de una serie
1 2
[ , , ..., ]
N
y y y

y es
una medida total o bruta del grado de correlacin lineal entre cualquier par de componentes
de dicha serie separados entre s por k perodos. Habitualmente (Observacin 16),

0
0
( 0, 1, 2, ...) ( 1).
k
k
c
r k r
c
= = [8]
Observacin 17: A diferencia de las autocovarianzas, las autocorrelaciones carecen de unidades de medida y sus valores
estn comprendidos entre +1 y 1. La secuencia
1 2
, , ... r r se denomina la Funcin de Autocorrelacin Simple (ACF)

PGINA 25
Muestral de la serie temporal
1 2
, , ...,
N
y y y . La representacin grca de la ACF muestral de una serie se denomina el
correlograma de dicha serie. La ACF muestral es el instrumento bsico para describir en la prctica la duracin y la
intensidad de la dinmica (inercia o memoria) de una serie.
1 2
[ , , ..., ]
N
y y y

1 2
[ , , ..., ]
N
Y Y Y

E[ ]
Y t
Y m y autocovarianzas Cov[ , ] Cov[ , ] ( 0, 1, 2, ...)
k t t k t k t
Y Y Y Y k g
+ -
= constantes, se puede contrastar
la signicacin individual de cualquier autocorrelacin simple
0
/
k k
r g g utilizando un estadstico cuyo valor
calculado es / 1 /
k
r N y cuya distribucin (aproximada), bajo la hiptesis nula de que 0
k
r = , es una N(0, 1) (por
lo que suele considerarse que cualquier autocorrelacin simple
k
r ( 1 k ) es individualmente signicativa al 5%
cuando 1.96/
k
r N > ). Por otro lado, para decidir si las K primeras autocorrelaciones simples son conjuntamente
signicativas, suele emplearse el valor calculado del estadstico de Ljung-Box

2
1
,
( 2)
K
k
LB
k
r
Q N N
N k
=
= +

-

que, bajo la hiptesis nula de que
1 2
... 0
K
r r r = = = = , sigue aproximadamente una distribucin
2
( ) K c .
3.6.4 Dinmica III - Autocorrelacin Parcial
La autocorrelacin parcial muestral de orden k (k > 0) de una serie
1 2
[ , , ..., ]
N
y y y

y es
una medida parcial o neta del grado de correlacin lineal entre cualquier par de
componentes de dicha serie separados entre s por k perodos, que no es debida a la posible
correlacin entre cada uno de ellos y todos los que se encuentran entre ambos.

PGINA 26
Observacin 19: La autocorrelacin parcial muestral de orden k ( )
kk
r puede calcularse a partir de una regresin lineal
estimada del tipo
0 1 1 2 2
...
t k k t k t kk t k tk
y r r y r y r y u
- - -
= + + + + + . No obstante, con mucha frecuencia
kk
r se
calcula a partir de las autocorrelaciones simples muestrales mediante el siguiente procedimiento recursivo:
1. k = 1,
11 1
r r = .
2. k = k + 1. Calcular la autocorrelacin parcial muestral de orden k como

1
1 1,
1
1 1,
1
.
k
i k k i k i
k
i i k i
r r r
kk
r r
r
-
= - -
-
= -
-
-
=
3. Si k = K (retardo mximo que se desea calcular), parar. En caso contrario, calcular las cantidades auxiliares

1, 1,
( 1, 2, ..., 1)
ki k i kk k k i
r r r r i k
- - -
= - = - .
4. Volver al paso 2.
Observacin 20: La secuencia
11 22
, , ... r r se denomina la Funcin de Autocorrelacin Parcial (PACF) Muestral de la
serie temporal
1 2
, , ...,
N
y y y . La ACF y la PACF muestrales constituyen en conjunto el instrumento fundamental
para describir en la prctica la duracin y la intensidad de la dinmica (inercia o memoria) de una serie temporal.
1 2
[ , , ..., ]
N
y y y

1 2
[ , , ..., ]
N
Y Y Y

y autocovarianzas constantes, suele considerarse que cualquier autocorrelacin parcial (el parmetro
kk
r en una
regresin del tipo
0 1 1 2 2
...
Y Y Y Y U r r r r
- - -
= + + + + + ) es individualmente signicativa al 5% si
1.96/
kk
r N > (igual que en la Observacin 18 para el caso de cualquier autocorrelacin simple).

PGINA 27
-1
0
1
1 15 PACF
-1
0
1
1 15 ACF
-4
-3
-2
-1
0
1
2
3
4
15 30 45 60 75 90 105 120 135 150 1
MA(1) THETA1 = 0.8 MU = 0
-1
0
1
1 15 PACF
-1
0
1
1 15 ACF
-4
-3
-2
-1
0
1
2
3
4
15 30 45 60 75 90 105 120 135 150 1
AR(2) PHI1 = 0.75 PHI2 = -0.5 MU = 0
-1
0
1
1 15 PACF
-1
0
1
1 15 ACF
-4
-3
-2
-1
0
1
2
3
4
15 30 45 60 75 90 105 120 135 150 1
AR(1) PHI = 0.8 MU = 0
-1
0
1
1 15 PACF
-1
0
1
1 15 ACF
-4
-3
-2
-1
0
1
2
3
4
15 30 45 60 75 90 105 120 135 150 1
RUIDOBLANCO- NIID(0,1)
FIGURA 3.12
Autocorrelaciones Muestrales de Series Estacionarias Simuladas


PGINA 28
-1
0
1
1 15 PACF
-1
0
1
1 15 ACF
-4
-3
-2
-1
0
1
2
3
4
1880 1900 1920 1940 1960
VARIACINANUAL DEL FLUJODEL RONILO
-1
0
1
1 15 PACF
-1
0
1
1 15 ACF
-4
-3
-2
-1
0
1
2
3
4
1775 1790 1805 1820 1835 1850 1865
MANCHASSOLARES
-1
0
1
1 15 PACF
-1
0
1
1 15 ACF
-4
-3
-2
-1
0
1
2
3
4
1970 1980 1990 2000
DIFERENCIAL DELADEUDAENEEUU
-1
0
1
1 15 PACF
-1
0
1
1 15 ACF
-4
-3
-2
-1
0
1
2
3
4
1989 1991 1993 1995 1997 1999 2001
IBEX35 - TASADEVARIACINMENSUAL
FIGURA 3.13
Autocorrelaciones Muestrales de Series Estacionarias Reales


PGINA 29
-4
-3
-2
-1
0
1
2
3
4
1993 1995 1997 1999 2001
INFLACININTERANUAL - TASALOGARTMICA
-1
0
1
1 15 ACF
-1
0
1
1 15 PACF
-4
-3
-2
-1
0
1
2
3
4
1970 1980 1990 2000
RENTABILIDADDELADEUDAA3 AOSEN EEUU
-1
0
1
1 15 ACF
-1
0
1
1 15 PACF
PASEOALEATORIO - MU = 0.5
-4
-3
-2
-1
0
1
2
3
4
15 30 45 60 75 90 105 120 135 150 1
-1
0
1
1 15 ACF
-1
0
1
1 15 PACF
PASEOALEATORIO - MU = 0
-4
-3
-2
-1
0
1
2
3
4
15 30 45 60 75 90 105 120 135 150 1
-1
0
1
1 15 ACF
-1
0
1
1 15 PACF
FIGURA 3.14
Autocorrelaciones Muestrales de Series con Tendencia


PGINA 30
-4
-3
-2
-1
0
1
2
3
4
1980 1984 1988 1992 1996 2000
D( TASA DE PARO, 2, 4 )
-1
0
1
1 15 ACF
-1
0
1
1 15 PACF
-4
-3
-2
-1
0
1
2
3
4
1989 1991 1993 1995 1997 1999 2001
D( TEMPERATURAMEDIAENMADRID, 0, 12 )
-1
0
1
1 39 ACF
-1
0
1
1 39 PACF
-4
-3
-2
-1
0
1
2
3
4
1980 1984 1988 1992 1996 2000
D( TASADE PARO, 2 )
-1
0
1
1 15 ACF
-1
0
1
1 15 PACF
-4
-3
-2
-1
0
1
2
3
4
1989 1991 1993 1995 1997 1999 2001
TEMPERATURAMEDIAENMADRID
-1
0
1
1 39 ACF
-1
0
1
1 39 PACF
FIGURA 3.15
Autocorrelaciones Muestrales de Series Estacionales


PGINA 31
3.7 MODELOS UNI VARI ANTES ESTACI ONARI OS
La hiptesis inicial en cualquier modelo estacionario consiste en suponer que una serie
estacionaria
1 2
[ , , ..., ]
N
y y y

y es una realizacin particular de un vector de variables
aleatorias
1 2
[ , , ..., ]
N
Y Y Y

Y con media E[ ]
Y t
Y m constante, varianza
2
Var[ ]
t
Y
Y s
constante, y autocovarianzas Cov[ , ] Cov[ , ] ( 1, 2, ...)
k t t k t k t
Y Y Y Y k g
+ -
= constantes.
Cada tipo de modelo tiene asociada una expresin matemtica concreta de la que se derivan
una media, una varianza, unas autocovarianzas, y, en especial, unas autocorrelaciones
simples (ACF) y parciales (PACF) tericas determinadas.
Observacin 22: Una ACF terica es la secuencia
1 2
, , ... r r (con
0
/
k k
r g g ) que se deriva de la expresin
matemtica concreta asociada con un modelo determinado. Una PACF terica es la secuencia
11 22
, , ... r r (donde
kk
r
es el ltimo parmetro en una regresin del tipo
0 1 1 2 2
...
Y Y Y Y U r r r r
- - -
= + + + + + ) que se deriva
de la expresin matemtica concreta asociada con un modelo determinado (Observaciones 18 y 21).
En ltima instancia, la identicacin de un modelo univariante para una serie estacionaria
consiste en la eleccin (tentativa) de un modelo cuyas propiedades tericas resuman
adecuadamente las propiedades muestrales de la serie considerada.

PGINA 32
3.7.1 Modelo AR(1) - Autorregresivo de Orden 1

1 1
,
t t t
Y Y A m f
-
= + + o bien [9]

1
(1 ) ,
t t
B Y A f m - = + [10]
donde m y
1
f son parmetros,
1
1 f < (estacionariedad), y
2
( ) IID(0, )
t
A
A s .
Observacin 23: La condicin de estacionariedad de un modelo AR(1) puede enunciarse as: "La raz de la ecuacin
caracterstica
1
1 0 x f - =
1
1
( ) x f
* -
= es en valor absoluto mayor que 1 (o bien tiene mdulo superior a la unidad, o
bien se encuentra fuera del crculo unitario)".
Un modelo AR(1) estacionario tiene las propiedades siguientes:
Wold
1
1 0 0
, con , .
1
i
t i t i i i
i i
Y A
m
y y f y
f

-
= =
= + = <

-
[11]
Media
1
.
1
Y
m
m
f
=
-
[12]
Varianza
2
2
0
2
1
.
( )
1
A
Y
s
s g
f
= =
-
[13]
Observacin 24: Utilizando [12], las representaciones [9] y [10] de un modelo AR(1) estacionario pueden escribirse,
respectivamente, como [9]
1 1 t t t
Y Y A f
-
= +

y [10]
1
(1 )
t t
B Y A f - =
, con
1
1
.
t t Y t
Y Y Y
m
f
m
-
- = -


PGINA 33
ACF
1 1
( 1)
k k
k r f r
-
= . [14]
Observacin 25: Esta ecuacin para
k
r puede resolverse recursivamente a partir de la condicin inicial
0
1 r =
(Observacin 22), lo que proporciona
1
k
k
r f = para todo 0 k (una exponencial amortiguada). Dado que
1 1
r f = ,
la varianza [13] de un AR(1) puede escribirse como

2
2
1 1
.
1
A
Y
s
s
f r
=
-

PACF
1 1
si 1,
0 para todo 1.
kk
k
k
r f
r
= =
=

>
[15]
3.7.2 Modelo AR(2) - Autorregresivo de Orden 2

1 1 2 2
,
t t t t
Y Y Y A m f f
- -
= + + + o bien [16]

2
1 2
(1 ) ,
t t
B B Y A f f m - - = + [17]
donde m,
1
f y
2
f son parmetros, las races de la ecuacin
2
1 2
1 0 x x f f - - = estn fuera
del crculo unitario (estacionariedad), y
2
( ) IID(0, )
t
A
A s .
Observacin 26: La condicin de estacionariedad de un modelo AR(2) implica que
2 1
1 f f + < ,
2 1
1 f f - < , y
2
1 f < (aunque, en general, la implicacin en sentido inverso no es cierta).

PGINA 34
Un modelo AR(2) estacionario tiene las propiedades siguientes:
Wold
1 2
1 2 0 0
, con ( , ), .
1
t i t i i i i
i i
Y A f
m
y y f f y
f f

-
= =
= + = <

- -
[18]
Media
1 2
.
1
Y
m
m
f f
=
- -
[19]
Varianza
2
2
1 1 2 2
.
1
A
Y
s
s
f r f r
=
- -
[20]
Observacin 27: Utilizando [19], las representaciones [16] y [17] de un modelo AR(2) estacionario pueden escribirse
como [16]
1 1 2 2 t t t t
Y Y Y A f f
- -
= + +

y [17]
2
1 2
(1 )
t t
B B Y A f f - - =
, con
1 2
1
.
t t Y t
Y Y Y
m
f f
m
- -
- = -

ACF
1 1 2 2
( 1)
k k k
k r f r f r
- -
= + . [21]
Observacin 28: Esta ecuacin para
k
r puede resolverse recursivamente a partir de las condiciones iniciales
0
1 r =
(Observacin 22) y
1 1 2
/(1 ) r f f = - (que se obtiene de [21] con k = 1; por otro lado, las dos ecuaciones que resultan
de [21] con k = 1 y k = 2 se denominan ecuaciones de Yule-Walker). En particular, si las dos races de la ecuacin
caracterstica de un AR(2) son complejas, la solucin de [21] es

sen(2 )
sen( )
k
k
D fk F
F
p
r
+
= para todo 0 k ,
cuyo numerador representa una oscilacin armnica amortiguada de amplitud
k
D , perodo 1/f, frecuencia f, fase

PGINA 35
inicial /(2 ) F f p - y factor de amortiguamiento D; estas caractersticas de
k
r son funciones de los parmetros
1
f y
2
f de acuerdo con que
2
D f = - ,
1 2
cos(2 ) /(2 ) f p f f = - y
2 2
tan( ) [(1 ) /(1 )] tan(2 ) F f f f p = - + .
Observacin 29: Con
1 1 2
/(1 ) r f f = - y
2
2 2 2
1
/(1 ) r f f f = + - (ver [21]), la varianza [20] de un AR(2) queda

2
2 2
2 1 2 1 2
1
.
1 (1 )(1 )
A
Y
s
f
s
f f f f f

-

=

+ - - + -

PACF
1 1 2
2
/(1 ) si 1,
si 2,
0 para todo 2.
kk
k
k
k
r f f
r f
= - =
= =
>
[22]
3.7.3 Modelo AR(p) - Autorregresivo de Orden p

1 1 2 2
... ,
t t t p t p t
Y Y Y Y A m f f f
- - -
= + + + + + o bien [23]

2
1 2
(1 ... ) ,
p
p t t
B B B Y A f f f m - - - - = + [24]
donde m,
1 2
, , ...,
p
f f f son parmetros, las races de
2
1 2
1 ... 0
p
p
x x x f f f - - - - = estn
fuera del crculo unitario (estacionariedad), y
2
( ) IID(0, )
t
A
A s .
Un modelo AR(p) estacionario tiene las propiedades siguientes:

PGINA 36
Wold
( )
1
1
1
0 0
1 , con ( , ..., ), .
p
t i i t i i i p i
i
i i
Y A f m f y y f f y

-
-
=
= =
= - + = <

[25]
Media
( )
1
1
1 .
p
Y i
i
m m f
-
=
= - [26]
Varianza
( )
1
2 2
1
1 .
p
i i
i Y A
s s f r
-
=
= - [27]
ACF
1
( 1).
p
k i k i
i
k r f r
-
=
= [28]
Observacin 30: La solucin general de esta ecuacin para
k
r consiste en una mezcla de exponenciales amortiguadas
(asociadas con las races reales de la ecuacin caracterstica del modelo) y oscilaciones armnicas amortiguadas
(asociadas con los pares de races complejas).
PACF
1
si 1,
si ,
0 para todo .
kk
p
k
k p
k p
r
r
f
=
=

=
>
[29]
3.7.4 Modelo MA(1) - Media-Mvil de Orden 1

1 1
,
t t t
Y A A m q
-
= + - o bien [30]

PGINA 37

1
(1 ) ,
t t
Y B A m q = + - [31]
donde m y
1
q son parmetros, y
2
( ) IID(0, )
t
A
A s . Cualquier modelo MA(1) tiene las
propiedades siguientes:
Media
Y
m m = . [32]
Varianza
2 2 2
1
(1 )
Y A
s q s = + . [33]
ACF
2
1
1
/(1 ) si 1,
0 para todo 1.
k
k
k
q q
r
- + =
>
[34]
PACF
2
1
1 1
2 2( 1)
0 1
1
1
1
1
k k
kk
k i k
i
q
r q q
q
q
+
=

-

= - = -

-

para todo 1 k . [35]
Observacin 31: Ntese la simetra o dualidad entre la formulacin y las propiedades de un modelo MA(1) y las de un
modelo AR(1). En este mismo sentido, dado que [32]-[35] son cantidades constantes, un modelo MA(1) es estacionario
independientemente de lo que valgan sus parmetros. Esta conclusin indica que la estacionariedad es un asunto que
requiere atencin slo cuando un modelo contiene trminos de tipo AR. No obstante, en un modelo MA(1) debe
ocurrir que
1
1 q < (invertibilidad) para que el modelo tenga ciertas propiedades adicionales importantes.

PGINA 38
Cuando
1
1 q < en un modelo MA(1), puede comprobarse lo siguiente:
Invertibilidad
1
1
, con .
i
t i t i t i
i
Y Y A p p q
-
=
= + = -

[36]
Unicidad
1
1 1 1
1
1
.
Dado , existe un nico valor para tal que
1
q
r q r
q
-
=
+
[37]
Observacin 32: La condicin de invertibilidad
1
1 q < de un modelo MA(1) puede enunciarse as: "La raz de la
ecuacin caracterstica
1
1 0 x q - =
1
1
( ) x q
* -
= es en valor absoluto mayor que 1 (o bien tiene mdulo superior a la
unidad, o bien se encuentra fuera del crculo unitario)".
Observacin 33: Consideraciones semejantes a las relacionadas con las propiedades [36]-[37] son tambin aplicables a
modelos MA de cualquier orden. Dado que un modelo AR estacionario satisface automticamente ese tipo de
propiedades, la invertibilidad es un asunto que requiere atencin slo cuando un modelo contiene trminos MA.
3.7.5 Modelo MA(2) - Media-Mvil de Orden 2

1 1 2 2
,
t t t t
Y A A A m q q
- -
= + - - o bien [38]

2
1 2
(1 ) ,
t t
Y B B A m q q = + - - [39]
donde m,
1
q y
2
q son parmetros, y
2
( ) IID(0, )
t
A
A s .

PGINA 39
Observacin 34: Un modelo MA(2) es invertible cuando las dos races de su ecuacin caracterstica
2
1 2
1 0 x x q q - - =
estn fuera del crculo unitario, para lo cual es necesario que
2 1
1 q q + < ,
2 1
1 q q - < , y
2
1 q < .
Cualquier modelo MA(2) tiene las propiedades siguientes:
Media
Y
m m = . [40]
Varianza
2 2 2 2
1 2
(1 )
Y A
s q q s = + + . [41]
ACF
2 2
1 2
1 2
2 2
2
1 2
[ (1 )] /(1 ) si 1,
/(1 ) si 2,
0 para todo 2.
k
k
k
k
q q q q
r q q q
- - + + =
= - + + =
>
[42]
Observacin 35: La expresin analtica de la PACF en un modelo MA(2) depende de la naturaleza de las dos races de
su ecuacin caracterstica. Dicha expresin es muy complicada. No obstante, la PACF de un MA(2) sigue las mismas
pautas que la ACF (dualidad) de un modelo AR(2) [lo mismo que la ACF de un MA(2) y la PACF de un AR(2)].
3.7.6 Modelo MA(q) - Media-Mvil de Orden q

1 1 2 2
... ,
t t t t q t q
Y A A A A m q q q
- - -
= + - - - - o bien [43]

2
1 2
(1 ... ) ,
q
t q t
Y B B B A m q q q = + - - - - [44]

PGINA 40
donde m,
1 2
, , ...,
q
q q q son parmetros, y
2
( ) IID(0, )
t
A
A s .
Observacin 36: Un modelo MA(q) es invertible cuando las races de la ecuacin
2
1 2
1 ... 0
q
q
x x x q q q - - - - = estn
fuera del crculo unitario.
Cualquier modelo MA(q) tiene las propiedades siguientes:
Media
Y
m m = . [45]
Varianza
2 2 2 2
1
(1 ... )
q
Y A
s q q s = + + + . [46]
Observacin 37: Las expresiones analticas de la ACF y la PACF en un modelo MA general dependen de la naturaleza
de las races de su ecuacin caracterstica. Dichas expresiones son muy complicadas. No obstante, la ACF y la PACF
de un modelo MA general siguen las mismas pautas que la PACF y la ACF, respectivamente (dualidad), de un
modelo AR general (ver [28]-[29]).
3.7.7 Modelo ARMA(1,1) - Autorregresivo Media-Mvil de Orden 1,1

1 1 1 1
,
t t t t
Y Y A A m f q
- -
= + + - o bien [47]

1 1
(1 ) (1 ) ,
t t
B Y B A f m q - = + - [48]
donde m,
1
f y
1
q son parmetros (con
1 1
f q =/ ), y
2
( ) IID(0, )
t
A
A s .

PGINA 41
Un modelo ARMA(1,1) estacionario
1
( 1) f < tiene las propiedades siguientes:
Media
1
.
1
Y
m
m
f
=
-
[49]
Varianza
2
2
1 1
1 1 1 2 2 2
2 2
1 1
1 2
( )
1
1 1
Y A A
f q q
f q
s s s
f f

- +
-

= = +

- -

. [50]
ACF
2
1 1 1 1 1 1
1
1
1
1
[( )(1 )] /(1 2 ) si 1,
para todo 1.
k
k
k
k
f q f q f q q
r
r f
-
- - - + =
>
[51]
Observacin 38: La PACF de un modelo ARMA(1,1) consiste en un valor inicial
11 1
r r = seguido de una secuencia de
valores que siguen exactamente la pauta de la PACF de un MA(1). Esto mismo ocurre con la ACF [51], que consiste
en un valor inicial
1
r seguido de una secuencia de valores que siguen exactamente la pauta de la ACF en un AR(1).
En general, la ACF (PACF) de un modelo ARMA sigue las pautas de la ACF (PACF) de su parte AR (MA).
3.7.8 Modelo ARMA(p,q) - Autorregresivo Media-Mvil de Orden p,q

1 1 2 2
1 1 2 2
...
... , o bien
t t t p t p
t t t q t q
Y Y Y Y
A A A A
m f f f
q q q
- - -
- - -
= + + + +
+ - - - -
[52]

PGINA 42
( ) ( )
t t
B Y B A f m q = + , [53]
donde

2
1 2
( ) 1 ...
p
p
B B B B f f f f - - - - [54]
es el operador o polinomio autorregresivo (AR) del modelo,

2
1 2
( ) 1 ...
q
q
B B B B q q q q - - - - [55]
es el operador o polinomio media mvil (MA),
2
( ) IID(0, )
t
A
A s , y m,
1
f ,
2
f , ...,
p
f ,
1
q ,
2
q , ...,
q
q son parmetros tales que todas las races de la ecuacin polinomial

2
1 2
1 ... 0
p
p
x x x f f f - - - - = [56]
estn fuera del crculo unitario (condicin de estacionariedad). Un modelo ARMA(p,q) es
invertible si todas las races de la ecuacin polinomial

2
1 2
1 ... 0
q
q
x x x q q q - - - - = [57]
estn fuera del crculo unitario (condicin de invertibilidad).
Un modelo ARMA(p,q) estacionario e invertible tiene las propiedades siguientes:

PGINA 43
La media del modelo es

1 2
,
E[ ]
1 ... (1)
Y t
p
Y
m m
m
f f f f
= =
- - - -
[58]
donde f(1) es el valor del operador AR [54] evaluado en 1 B = .
El modelo puede escribirse como en [52]-[53], o bien como
( ) ( ) (con ).
t t t t Y
B Y B A Y Y f q m = -

[59]
La condicin de estacionariedad de un modelo ARMA garantiza que los parmetros o
pesos
0
y ,
1
y ,
2
y , ... del polinomio de orden innito

2
1 2 0
0
( )
( ) 1 ... ( 1)
( )
i
i
i
B
B B B B
B
q
y y y y y
f
=
+ + +
[60]
satisfacen la condicin
0
i
i
y
=
< , que es suciente para que un modelo general del
tipo ( )
t t
Y B A y =
(un MA de orden innito) sea estacionario (Teorema de Wold).

La condicin de invertibilidad de un modelo ARMA garantiza que los parmetros o
pesos
0
p ,
1
p ,
2
p , ... del polinomio de orden innito

PGINA 44

2
1 2 0
0
( )
( ) 1 ... ( 1)
( )
i
i
i
B
B B B B
B
f
p p p p p
q
=
- - - - -
[61]
satisfacen la condicin
0
i
i
p
=
< , lo que implica que en un modelo general del
tipo ( )
t t
B Y A p =
(un AR de orden innito) el efecto parcial de

t k
Y
-
( 0) k > sobre
t
Y
tiende a cero a medida que el retardo k aumenta.
Observacin 39: Dados unos valores para los parmetros
1 2 1 2
, , ..., , , , ...,
p q
f f f q q q de un modelo ARMA, los pesos y
y los pesos p de [60] y [61] pueden calcularse recursivamente teniendo en cuenta que ( ) ( ) ( ) B B B f y q = y que
( ) ( ) ( ) B B B q p f = , de manera que, por un lado,

1 1 2 2
...
i i i p i p i
y f y f y f y q
- - -
= + + + -
para todo i > 0 (donde
0
1 y = , 0
i
y = si i < 0 y 0
i
q = si i > q), y, por otro lado,

1 1 2 2
...
i i i q i q i
p q p q p q p f
- - -
= + + + +
para todo i > 0 (donde
0
1 p = - , 0
i
p = si i < 0 y 0
i
f = si i > p). Por ltimo, de la relacin ( ) ( ) 1 B B y p =
implcita en [60] y [61] se deduce que

1 1
0 0
0 0
( 1), ( 1)
i i
i j i j i j i j
j j
p p y p y y p y
- -
- -
= =
= - = - = = para todo 1 i .
Las secuencias
1 2
, , ... y y y
1 2
, , ... p p calculadas a partir de un modelo ARMA siguen pautas semejantes a las de la
ACF y la PACF, respectivamente, del modelo (Observacin 38). (Clculo de ACF y PACF tericas programado en
PRG06-ACF-PACF.prg. Clculo de
i
y y ( 1, 2, ...)
i
i p = programado en PRG07-PSI-PI.prg.)

PGINA 45

Figura 3.16
AR(1):
1
0.8
t t t
Y Y A
-
= + .
Parmetro positivo.
Figura 3.17
AR(1):
1
0.8
t t t
Y Y A
-
= - + .
Parmetro negativo.

Figura 3.18
AR(2):
1 2
0.6 0.2
t t t t
Y Y Y A
- -
= + + .
Races de [56] reales: 4.19, +1.19 (dominante).
Figura 3.19
AR(2):
1 2
0.6 0.2
t t t t
Y Y Y A
- -
= - + + .
Races de [56] reales: +4.19, 1.19 (dominante).

PGINA 46

Figura 3.20
AR(2):
1 2
0.75 0.5
t t t t
Y Y Y A
- -
= - + .
Races de [56] complejas: 0.75 1.20i + .
Figura 3.21
AR(2):
1 2
0.8 0.6
t t t t
Y Y Y A
- -
= - - + .
Races de [56] complejas: 0.67 1.11i - .

Figura 3.22
MA(1):
1
0.8
t t t
Y A A
-
= - .
Parmetro positivo.
Figura 3.23
MA(1):
1
0.8
t t t
Y A A
-
= + .
Parmetro negativo.

PGINA 47

Figura 3.24
MA(2):
1 2
0.6 0.2
t t t t
Y A A A
- -
= - - .
Races de [57] reales: 4.19, +1.19 (dominante).
Figura 3.25
MA(2):
1 2
0.6 0.2
t t t t
Y A A A
- -
= + - .
Races de [57] reales: +4.19, 1.19 (dominante).

Figura 3.26
MA(2):
1 2
0.75 0.5
t t t t
Y A A A
- -
= - + .
Races de [57] complejas: 0.75 1.20i + .
Figura 3.27
MA(2):
1 2
0.8 0.6
t t t t
Y A A A
- -
= + + .
Races de [57] complejas: 0.67 1.11i - .

PGINA 48

Figura 3.28
ARMA(1,1):
1 1
0.8 0.8
t t t t
Y Y A A
- -
= + + .

Figura 3.29
ARMA(1,1):
1 1
0.8 0.8
t t t t
Y Y A A
- -
= - + - .

Figura 3.30
ARMA(1,1):
1 1
0.8 0.3
t t t t
Y Y A A
- -
= + - .
Figura 3.31
ARMA(1,1):
1 1
0.3 0.8
t t t t
Y Y A A
- -
= + - .


PGINA 49
TABLA 3.2
Resumen de Propiedades de Modelos Univariantes Estacionarios
Propiedades Modelo AR(p) Modelo MA(q) Modelo ARMA(p,q)
Condicin de
estacionariedad
Races de ( ) 0 x f = fuera
del crculo unitario
Siempre estacionario Races de ( ) 0 x f = fuera del
crculo unitario
Condicin de
invertibilidad
Siempre invertible Races de ( ) 0 x q = fuera
del crculo unitario
Races de ( ) 0 x q = fuera del
crculo unitario
t
Y
en trminos de
t i
A
-

1
( )
t t
Y B A f
-
=
( )
t t
Y B A q =

1
( ) ( )
t t
Y B B A f q
-
=
t
Y
en trminos de
t i
Y
-
( )
t t
B Y A f =
1
( )
t t
B Y A q
-
=

1
( ) ( )
t t
B B Y A q f
-
=
Operador ( ) B y
1
( ) ( ) B B y f
-
= (innito) ( ) ( ) B B y q = (nito)
1
( ) ( ) ( ) B B B y f q
-
= (innito)
Operador ( ) B p ( ) ( ) B B p f = (nito)
1
( ) ( ) B B p q
-
= (innito)
1
( ) ( ) ( ) B B B p q f
-
= (innito)
ACF terica Innita:
Mezcla de exponenciales y
oscilaciones amortiguadas
Finita:
Igual a 0 despus de k = q
Innita:
Mezcla de exponenciales y
oscilaciones amortiguadas despus
de k = q p
PACF terica Finita:
Igual a 0 despus de k = p
Innita:
Dominada por mezcla de
exponenciales y oscilaciones
amortiguadas
Innita:
Dominada por mezcla de
exponenciales y oscilaciones
amortiguadas despus de k = p q

PGINA 50
3.8 MODELOS MULTI PLI CATI VOS
Con mucha frecuencia, la ACF y la PACF muestrales de series estacionarias obtenidas a
partir de series estacionales, presentan pautas signicativas en sus retardos mltiplos del
perodo estacional (retardos estacionales, como 12, 24, 36, para series mensuales, 4, 8,
12, para series trimestrales) y alrededor de dichos retardos.
Estas pautas representan la dinmica estacional (un periodo con respecto al mismo periodo
en estaciones anteriores) de la serie original que an est presente en la serie transformada
(estacionaria), y que acompaa a (e interacta con) la dinmica regular (un periodo con
respecto a los anteriores en la misma estacin) de dicha serie.
3.8.1 Ejemplo - Modelo
12
AR(1) AR(1) para Series Mensuales

12
1 1
(1 )(1 ) ,
t t
B B Y A f - - F =
[62]
donde
1
f y
1
F son parmetros
1 1
(con 1, 1) f < F < , y
2
( ) IID(0, )
t
A
A s .
Los trminos AR(1) regular
1
(1 ) B f - y AR(1) anual
12
1
(1 ) B - F describen la dinmica
regular y anual, respectivamente, de una serie estacionaria.

PGINA 51
12
MA(1) MA(1) para Series Mensuales

12
1 1
(1 )(1 ) ,
t t
Y B B A q = - -Q
[63]
donde
1
q y
1
Q son parmetros
1 1
(con 1, 1) q < Q < , y
2
( ) IID(0, )
t
A
A s .
Los trminos MA(1) regular
1
(1 ) B q - y MA(1) anual
12
1
(1 ) B - Q describen la dinmica
regular y anual, respectivamente, de una serie estacionaria.
12
MA(1) AR(2) para Series Mensuales

12 24
1 2 1
(1 ) (1 ) ,
t t
B B Y B A q - F - F = -
[64]
donde
1 2
, F F y
1
q son parmetros (con las races de
2
1 2
1 0 x x - F - F = fuera del crculo
unitario, y
1
1 q < ), y
2
( ) IID(0, )
t
A
A s .
Los trminos MA(1) regular
1
(1 ) B q - y AR(2) anual
12 24
1 2
(1 ) B B - F - F describen la
dinmica regular y anual, respectivamente, de una serie estacionaria.
3.8.4 Modelo Multiplicativo General
S
ARMA(p, q) ARMA(P, Q)

( ) ( ) ( ) ( ) .
S S
p P t q Q t
B B Y B B A f q F = Q [65]

PGINA 52
Comparar con [59] y [52]-[53]. En particular, ( )
p
B f y ( )
q
B q son los operadores AR
(estacionario) y MA (invertible) habituales (que se denominan operadores regulares).

2
1 2
1
( ) 1 ... 1
S S S PS P iS
P P i
i
B B B B B
=
F - F - F - - F - F es el operador AR
estacional o anual, con las races de ( ) 0
P
x F = fuera del crculo unitario.

2
1 2
1
( ) 1 ... 1
Q
S S S QS iS
Q Q i
i
B B B B B
=
Q - Q - Q - - Q - Q es el operador MA
estacional o anual, con las races de ( ) 0
Q
x Q = fuera del crculo unitario.
Observacin 40: La ACF terica de un modelo ARMA( , ) ARMA( , )
S
p q P Q presenta las pautas siguientes: [i] en los
primeros retardos (1, 2, 3, ...) aparece la ACF de la parte regular ARMA( , ) p q , [ii] en los retardos anuales (S, 2S, 3S,
...) aparece la ACF de la parte anual ARMA( , )
S
P Q , [iii] la pauta de la ACF de la parte regular se repite a la
izquierda (en el sentido ) y a la derecha (en el sentido ) de cada coeciente anual, con signo igual al producto de
los signos del coeciente anual y de los coecientes regulares correspondientes.
Por su parte, la PACF terica de un modelo ARMA( , ) ARMA( , )
S
p q P Q presenta las pautas siguientes: [i] en los
primeros retardos (1, 2, 3, ...) aparece la PACF de la parte regular ARMA( , ) p q , [ii] en los retardos anuales (S, 2S,
3S, ...) aparece la PACF de la parte anual ARMA( , )
S
P Q , [iii] a la derecha de cada coeciente anual se repite (en el
sentido ) la pauta de la PACF de la parte regular, con el signo cambiado si el coeciente anual es positivo, o con su
signo si dicho coeciente es negativo, [iv] a la izquierda de cada coeciente anual se repite (en el sentido ) la pauta
de la ACF de la parte regular, con signo igual al producto de los signos del coeciente anual y de los coecientes
regulares correspondientes.

PGINA 53

Figura 3.32
12
AR(1) AR(1) , con
1
0.8 f = ,
1
0.8 F = .
Figura 3.33
12
AR(1) AR(1) , con
1
0.8 f = ,
1
0.8 F = - .

Figura 3.34
12
MA(1) MA(1) , con
1
0.8 q = ,
1
0.8 Q = .
Figura 3.35
12
MA(1) AR(2) , con
1
0.8 q = ,
1
0.8 F = - ,
2
0.6 F = - .

PGINA 54
3.9 MODELOS UNI VARI ANTES NO ESTACI ONARI OS
Un modelo univariante no estacionario para una serie no estacionaria es el modelo que
resulta de considerar conjuntamente [i] las transformaciones que requiere dicha serie para
hacerla estacionaria y [ii] un modelo univariante estacionario para la serie transformada.
3.9.1 Modelo Multiplicativo General
S
ARIMA(p, d, q) ARIMA(P, D, Q)
( ) ( )[ ] ( ) ( ) ,
S d D S
p P W q Q t
t S
B B Y B B A f m q F - = Q
[66]
donde E[ ] con
d D
W t t
t S
W W Y m

(comparar con [65]).
3.9.2 Dos Interpretaciones Equivalentes
El modelo general [66] puede interpretarse como un modelo no estacionario para una serie
(original) no estacionaria que requiere [i] una transformacin de Box-Cox, [ii] d diferencias
regulares y [iii] D diferencias estacionales de periodo S para hacerla estacionaria, o bien
como un modelo estacionario para una serie estacionaria que se obtiene aplicndole una
secuencia de transformaciones [i]-[iii] a una serie (original) no estacionaria.

PGINA 55
3.10 I DENTI FI CACI N - RESUMEN
ENTRADA:
1
[ , ..., ]
N
y y

y (serie temporal original); S (perodo estacional).
1. Elegir l y m en la transformacin de Box-Cox Grco desviacin tpica-media. Se
obtiene ( 1, ..., )
t
y t N = , con ln( )
t t
y y m = + si 0 l = , ( )
t t
y y m
l
= + si 0 l =/ .
2. Elegir d y D Grco temporal (tendencia, estacionalidad) y ACF (amortiguamiento)
de ( 1, ..., )
t
y t N = . Se obtiene una serie transformada (tentativamente estacionaria)
con n N d DS - - observaciones del tipo
d D
t
t S
w y = .
3. Incluir o no
W
m Contraste de signicacin a partir de la serie transformada.
4. Elegir p, P, q y Q ACF y PACF muestrales de la serie transformada comparadas con
ACF y PACF tericas de modelos ARMA( , ) ARMA( , )
S
p q P Q estacionarios:
Considerar siempre en primer lugar lo ms obvio, empezando con la parte regular.
Un valor grande en la ACF o en la PACF muestrales en un retardo k dado, puede
no ser relevante si se encuentra aislado y k es grande.
Una conguracin reconocible de valores pequeos s puede ser relevante.

PGINA 56
SALIDA: Modelo tentativo de tipo ARIMA( , , ) ARIMA( , , )
S
p d q P D Q para la serie original
[o, equivalentemente, de tipo ARMA( , ) ARMA( , )
S
p q P Q para la serie transformada].
Observacin 41 - Contrastes Formales de Races Unitarias: A veces pueden ayudar a elegir d (el nmero de diferencias
regulares que requiere una serie para estabilizar su nivel medio general) en el paso 2 anterior. Ver, por ejemplo, en
EViews 4.1 el enlace a Unit Root Test en Help EViews Help Topics ... Series.
Observacin 42 - Tasas de Variacin: La tasa convencional de variacin (neta) de
t
y es (en proporcin, o en tanto por 1)

(1 )
( ) 1
k
t t t t k
t
t k t k t k
B y y y y
tcv k
y y y
-
- - -
- -
- = = ,
mientras que la tasa logartmica de variacin de
t
y es (en proporcin, o en tanto por 1)
( ) ln[1 ( )] ln ln ln (1 ) ln
t k
t t t t k t
t k
y
tlv k tcv k y y B y
y
-
-
+ = = - = - ,
que es aproximadamente igual a ( )
t
tcv k para valores de ( )
t
tcv k pequeos. La tasa convencional es multiplicativa, en
el sentido que

1
1
1
1 2 0
[1 ( )] [1 (1)]
k
t k
t t t
t t i
t k t t t k i
y y y y
tcv k tcv
y y y y
-
- +
-
-
- - - - =
+ = = = +
,
por lo que la tasa logartmica es aditiva:

1 1
0 0
( ) ln [1 (1)] ln (1)
k k
t t i t i
i i
tlv k tcv tlv
- -
- -
= =
= + = .

PGINA 57
Dado que muchas series temporales requieren en la prctica una transformacin logartmica y algn tipo de
diferenciacin para hacerlas estacionarias, las series resultantes pueden interpretarse en trminos de diferentes tasas de
variacin. Por ejemplo, si
1
, ...,
N
y y es una serie mensual, entonces:

1
ln
t t
w y = es una tasa logartmica de variacin mensual.

2 12
ln
t t
w y = es una tasa logartmica de variacin interanual.

2
3
ln
t t
w y = es una variacin (absoluta) mensual de una tasa logartmica de variacin mensual.

4 12
ln
t t
w y = es una variacin (absoluta) mensual de una tasa logartmica de variacin interanual, o bien
una variacin (absoluta) interanual de una tasa logartmica de variacin mensual.

Ejemplos de Identificacin
1. ST17: Series BJRA, BJRB, BJRC, BJRD y BJRF.
2. ST18: Serie SUNSPOTS.
3. ST19: Serie AIRLINE.
4. ST02: Serie TVPIB.
5. ST14: Series IPI, TEMP y VIVIN.
6. ST20: Serie TPARO.

PGINA 58
ESTI MACI N
3.11 ESTI MACI N - RESUMEN
ENTRADA:
1
[ , ..., ]
n
w w

w (serie estacionara con n N d DS - - observaciones del tipo
d D
t
t S
w y = .); modelo de tipo ARMA( , ) ARMA( , )
S
p q P Q para la serie w.
1. Estimacin de los parmetros del modelo (mxima verosimilitud, mnimos cuadrados).
2. Clculo de los residuos del modelo estimado.
SALIDA: Estimaciones de los parmetros ( ,
W
m
1

[ , ..., ] ,
p
f f

f
1

[ , ..., ] ,
P

F F F
1

[ , ..., ] ,
q
q q

q
1

[ , ..., ] ,
Q

Q Q Q
2
A
s ); estimacin de la matriz de varianzas-covarianzas
del estimador utilizado ( ) V ; serie de residuos
1
( , ..., )
n
a a .
Observacin 43 - Estimacin de modelos univariantes: La funcin de verosimilitud exacta (FVE) asociada con el modelo
univariante [66] es la funcin de densidad de un vector
1
[ , ..., ]
n
W W

W (con )
d D
t t
S
W Y

del que se supone
procede la serie (estacionaria)
1
[ , ..., ]
n
w w

w , considerada como funcin de los parmetros que guran en [66]. Si
W sigue una distribucin Normal multivariante [es decir, bajo la hiptesis de que
2
( ) NIID(0, )
t
A
A s ], entonces la
FVE asociada con el modelo univariante [66] es

PGINA 59

( ) ( )
1
2
2
1 2 1
2
, (2 ) exp
n
n n
A
L s p
-
- -
= - w w b G G , (1)
donde b contiene todos los parmetros del modelo [66] excepto
2
A
s , Var[ ]
n
W G , y E[ ] - w w W , con
E[ ] [ , ..., ]
W W
m m

= W . Dado que
n
G siempre puede escribirse como
2
n
A
s = G W (deniendo
2
n
A
s
-
W G ), el
logaritmo neperiano (ln) de la FVE (1) puede escribirse como

( )
2
1 2 2 1
2 2 2 2
ln , ln(2 ) ln ln
A n n
A A
L
s
s p s
-
-
= - - - - w w b W W . (2)
Por ejemplo, para modelos AR(1) (ver 3.7.1) y MA(1) (ver 3.7.4),

2
1
2 2 1
1
1 1 1
3 2
1 1
1 1
2 4 3
1
1 1 1
1
1
2 3 4
1
1 1 1
1 2 3
1
1 1 1
1
1
1
1
1
n n
n n
n n
n n n
n n n
f
f f f f
f f f f
f f f f
f f f f
f f f f
- -
- -
- -
-
- - -
- - -

=

W
,
2
1
1
2
1 1
1
2
1
1
2
1
1
2
1
1
1 0 0 0
1 0 0
0 1 0 0
0 0 0 1
0 0 0 1
q q
q q q
q q
q q
q q

+ -

- + -

- +

=

+ -

- +

W
. (3)
En todos los casos, los elementos de
2
n
A
s
-
W G en (2) slo dependen [como se ilustra en (3)] de los parmetros AR y
MA del modelo [66] (recogidos en
1
[ , ..., ] ,
p
f f

f
1
[ , ..., ] ,
P

F F F
1
[ , ..., ]
q
q q

q y
1
[ , ..., ]
Q

Q Q Q ); el
clculo de dichos elementos es semejante al de las ACFs tericas de las Secciones 3.7-3.8.
Para obtener estimaciones por Mxima Verosimilitud (MV) de b y
2
A
s , se requiere maximizar numricamente (1)

PGINA 60
(2) con respecto a b y a
2
A
s . Si
b y
2
A
s son las estimaciones numricas de b y
2
A
s que maximizan (localmente) (2),
entonces ocurre necesariamente que

( )
2
2
ln ,
( )
2
0
A
A
L
S
n
A
s
s
s
= =
b
b
, (4)
donde
( ) S b es el valor de la suma de cuadrados

1
( ) S
-
w w b W evaluada en
= b b . Sustituyendo
2
A
s por
( ) S
n
b
en
(2), se obtiene el ln de la FVE concentrada en b:
[ ]
( )
1
1
2 2
ln ( ) ln(2 ) 1 ln ln
n
n n
L n p
-
*

= - + - - w w b W W ,
de manera que

( ) ( )
1
2 2 1
MAX , MAX ln , MAX ln ( ) MIN
n
A A
L L L s s
-
*

w w b b b W W .
En resumen, para estimar b y
2
A
s por MV se requiere (i) minimizar numricamente con respecto a b la funcin

1
1
( )
n
F
-
w w b W W (5)
(lo que proporciona una estimacin puntual
b de b), y (ii) estimar posteriormente

2
A
s como, por ejemplo,

( )
2
S
n m
A
s
-
=
b
, (6)
donde 1 m p P q Q + + + + es el nmero de parmetros contenidos en b. [Ntese que la estimacin (6), que no
coincide con la que gura en (4), es anloga a la estimacin de mnimos cuadrados de
2
s en modelos de regresin.]
El problema fundamental para calcular una estimacin MV de b consiste en que (5) es una funcin no lineal
complicada de b. Por ejemplo, para un modelo AR(1), a partir de (3) puede comprobarse que

PGINA 61

1
2
1 1
1
2
1
1
1
2
1
1
1
1 0 0 0
1 0 0
0 1 0 0
0 0 0 1
0 0 0 1
f
f f f
f f
f f
f
-
-

- + -

- +

=

+ -

-

W
,
( )
1
2
2
1
1
1
1
1 0 0 0 0
1 0 0 0
0 1 0 0
0 0 0 1 0
0 0 0 1
f
f
f
f

-

-

-

=

-

P
,
donde P es tal que
1 -
= P P W ; por lo tanto, en este caso el primer factor de ( ) F b en (5) es

1 2 2
1 1 1
1 2
( ) ( ) (1 ) [( ) ( )] ,
n
W t W t W
t
w w w f m m f m
- 2
-
=

= = - )( - + - - - w w Pw Pw W
mientras que el segundo factor de ( ) F b en (5) es

( )
2
1 1
1
1 2 1
2
1 2 2
1 1
1 (1 ) .
n
n
n
n n n
f f
-
-
-
- - -

= = = = - = -

P P P W W
En general, no posible obtener analticamente una expresin para b que minimice (5), por lo que en la prctica, para
obtener una estimacin MV de b, es necesario minimizar (5) mediante algn mtodo de clculo iterativo para
minimizar numricamente funciones de varias variables (como el mtodo de Gauss-Newton, el de Newton-Raphson, el
de Levenberg-Marquardt, o algn mtodo cuasi-Newton). Las caractersticas de cualquier mtodo de este tipo son:
Partiendo de una estimacin inicial
0
b proporcionada por el usuario, un mtodo iterativo genera una secuencia

de estimaciones
1
, b
2
, b ... que, bajo ciertas condiciones, converge a un mnimo local de (5). En general, no
puede asegurarse que dicho mnimo sea un mnimo global.

PGINA 62
Si (5) tiene varios mnimos locales, el mnimo al que converge la secuencia anterior depende crucialmente de la
estimacin inicial
0
b .
Si (5) es una funcin relativamente plana, puede resultar difcil localizar numricamente un mnimo. Esta
situacin es anloga a la multicolinealidad aproximada en modelos de regresin lineal, e indica la posible
presencia de trminos redundantes (sobrantes) en el modelo [66].
Los detalles sobre el funcionamiento de este tipo de mtodos y muchos otros aplicables a la resolucin de diversos
problemas numricos, pueden consultarse, por ejemplo, en [i] Monahan, J.F. (2001), Numerical Methods of Statistics,
Cambridge University Press, y [ii] Press, W.H.; Teukolsky, S.A.; Vetterling, W.T.; Flannery, B.P. (2002), Numerical
Recipes in C - The Art of Scientific Computing (Second Edition), Cambridge University Press.
Aunque en la actualidad no existen razones objetivas para hacerlo, en la prctica a veces se estima un modelo como
[66] por Mnimos Cuadrados (MC) (lo que se justica suponiendo que
1
n
W en (5) tiende a 1 para n sucientemente
grande), incluso considerando alguna aproximacin al trmino
1 -
w w W en (5) en lugar de su expresin exacta [como

la aproximacin basada en el clculo de retroprevisiones de Box, Jenkins y Reinsel (2008), Captulo 7, o la
aproximacin empleada por EViews en Help EViews Help Topics ... Time Series Regression Estimating ARIMA Models].
En teora, todos los estimadores de b denidos implcitamente a travs de las estimaciones que minimizan
numricamente ( ) F b en (5) o alguna aproximacin a ( ) F b , tienen las mismas propiedades asintticas (consistencia,
Normalidad y eciencia asintticas); sin embargo, cuando n no es grande, o cuando los verdaderos valores de los
parmetros AR y MA estn prximos a la no estacionariedad o a la no invertibilidad, pueden darse diferencias
importantes entre las propiedades de unos y otros estimadores, que son en general favorables al estimador MV.
Por ultimo, la estimacin V de la matriz de covarianzas del estimador de b, se puede calcular a partir de la matriz de
derivadas segundas (matriz hessiana) de la funcin que se haya minimizado para calcular
b. Por ejemplo, si
b es una
estimacin obtenida por MV [es decir, un mnimo local de (5)], entonces V se calcula a partir de la matriz

PGINA 63
2 1
[ ( )] F
-
b [la inversa de la matriz hessiana de ( ) F b evaluada en
= b b ]; teniendo en cuenta que

2
( ) F b
representa la curvatura de ( ) F b en
= b b , cuanto mayor sea dicha curvatura, con mayor precisin (menor varianza)
estar localizado el verdadero valor de b; por el contrario, si ( ) F b en
= b b tiene poca curvatura, el verdadero

valor de b estar localizado con poca precisin (mucha varianza).
Observacin 44 - Clculo de los residuos: Igual que en un modelo de regresin, la serie de residuos
1
( )
n
t
t
a
=
asociada con
la estimacin del modelo [66] contiene las diferencias entre los valores observados y los valores ajustados para la
variable dependiente
d D
t t
S
W Y

de [66]. Una vez estimado (como se describe en la Observacin 43 anterior), [66]
puede escribirse como

( )( ) ( )
t W t
B w B a m

F - = Q , o bien como

( ) ( )
t t
B w B a m

F = + Q , donde

1
1

( ) ( ) ( ) 1 ( ),

( ) ( ) ( ) 1 ( ),
(1) .
p
S i
p P i
i
q
S i
q Q i
i
W
B B B B p p PS
B B B B q q QS
f
q
m m
=

F F - F +

Q Q - Q +
F

De manera ms explcita, el modelo [66] estimado puede escribirse, por lo tanto, como

1 1

( 1, ..., )
p q
t i t i t i t i
i i
w w a a t n m

- -
= =

- F = + - Q =
.
En consecuencia, cada residuo
t
a se calcula como

1 1

( 1, ..., )
p q
t t i t i i t i
i i
a w w a t n m

- -
= =

= - + F - Q =

, (7)
donde el trmino entre corchetes es el valor ajustado o previsto para
d D
t t
S
W Y

correspondiente al valor
observado
t
w (de manera que puede interpretarse como un error de previsin intramuestral).
t
a

PGINA 64
Para evaluar (7), se requieren algunos valores de
t
w y de para t < 1 (es decir, algunos valores premuestrales). Por
ejemplo, en un modelo con p = 2, q = 1, P = 0 y Q = 0, (7) queda

1 1 2 2 1 1

( 1, ..., )
t t t t t
a w w w a t n m f f q
- - -

= - + + - =

,
de manera que para calcular
1
a hacen falta
0
w ,
1
w
-
y
0
a (tambin hace falta
0
w para calcular
2
a ). En la prctica,
dichos valores pueden estimarse utilizando la serie estacionaria
1
( )
n
t
t
w
=
y el modelo [66] estimado (lo cual suele
hacerse de forma automtica cuando el modelo se ha estimado por MV), o bien (aunque no es recomendable,
especialmente cuando n no es grande) se puede suponer que
t W
w m = (la media estimada de
d D
t t
S
W Y

) y que
0
t
a = (el valor esperado de
t
A ) para t < 1.

Ejemplos de Estimacin
1. ST17: Series BJRA, BJRB, BJRC, BJRD y BJRF.
2. ST18: Serie SUNSPOTS.
5. ST14: Series IPI, TEMP y VIVIN.
t
a

PGINA 65
DI AGNOSI S
3.12 DI AGNOSI S - RESUMEN
ENTRADA: Modelo estimado; residuos.
1. Diagnosis de parmetros: signicacin (individual y conjunta); correlaciones estimadas
entre estimadores; estacionariedad e invertibilidad.
2. Diagnosis de residuos (remplazan a las perturbaciones en el modelo estimado): grco
temporal; Normalidad; media muestral; ACF y PACF residuales (Ljung-Box).
3. Posible revisin del modelo segn las conclusiones de los dos pasos anteriores.
SALIDA: Si modelo revisado Volver a estimacin. Si modelo adecuado Utilizar para
describir y prever la serie original.
Observacin 45 - Diagnosis de parmetros: Las operaciones siguientes se reeren a los parmetros AR y MA incluidos en
el modelo identicado y estimado:
Contrastar la signicacin individual de cada parmetro, o la signicacin conjunta de varios parmetros, segn

PGINA 66
interese. A veces, estos contrastes indican que pueden eliminarse algunos parmetros no signicativos.
Examinar la matriz R de correlaciones estimadas entre los estimadores de los parmetros, que puede calcularse a
partir de V como
1 1 - -
= R D VD , donde D es una matriz diagonal cuyos elementos son las races cuadradas de los
elementos en la diagonal principal de V. La presencia de correlaciones elevadas suele indicar que el modelos est
sobreparametrizado.
Factorizar los operadores AR y MA estimados y comprobar que no tienen factores comunes. Si dichos operadores
tienen factores aproximadamente comunes, en general deben cancelarse.
Comprobar que los operadores AR y MA estimados satisfacen las condiciones de estacionariedad y de
invertibilidad, respectivamente. La presencia de una raz de
( ) 0 x f = o de
( ) 0 x F = prxima o igual a 1 indica

subdiferenciacin, por lo que es conveniente aplicar una diferencia regular o estacional, respectivamente, a la serie
( )
t
w . Por su parte, la presencia de una raz de
( ) 0 x q = o de
( ) 0 x Q = prxima o igual a 1 indica

sobrediferenciacin, por lo que es conveniente eliminar una diferencia regular o estacional, respectivamente, de la
serie ( )
t
w (adems, quizs, de reconsiderar la presencia de un trmino constante en el modelo revisado).
Cuando en la etapa de identicacin no est claro si d (el nmero de diferencias regulares) debe ser igual a uno o
igual a dos (tambin cuando se duda entre d = 1 y d = 0), una buena prctica consiste en escoger d = 2 y aadir
un factor MA(1) regular (testigo de sobrediferenciacin) al modelo identicado con d = 2; si el modelo estimado
resulta tal que
( ) 0 x q = tiene una raz unitaria, se reformula el modelo con d = 1 y sin el factor MA(1) no
invertible (reconsiderando, adems, la presencia de un trmino constante en el modelo revisado).
Aunque en muchos casos es suciente llevar a cabo las operaciones descritas en los dos puntos anteriores de
manera informal, en ocasiones se requiere contrastar formalmente la presencia de races unitarias en los operadores
AR y MA del modelo considerado. Una dicultad asociada con esta cuestin es que los estadsticos habituales para

PGINA 67
contrastar hiptesis sobre los parmetros no siguen distribuciones estndar (Normal o t de Student) cuando se
emplean para contrastar la presencia de races unitarias. Ver Brockwell y Davis (2002), pginas 193-198; Shin,
D.W., y Fuller, W.A. (1998), Unit root tests based on unconditional maximum likelihood estimation for the
autoregressive moving average, Journal of Time Series Analysis, 19, 591-599; y Davis, R.A., Chen, M., y
Dunsmuir, W.T.M. (1995), Inference for MA(1) processes with a root on or near the unit circle, Probability and
Mathematical Statistics, 15, 227-242.
Cuando en la etapa de identicacin no estn claros los rdenes p, P, q y Q, se puede llevar a cabo un ejercicio de
sobreajuste, que consiste en (i) incluir (sin un respaldo muestral claro) de uno en uno factores AR y MA de orden
1 2, (ii) estimar el modelo resultante, y (iii) comprobar si cada factor aadido es signicativo.
Observacin 46 - Diagnosis de residuos: Las operaciones siguientes se reeren a los residuos calculados a partir del
modelo identicado y estimado:
Examinar el grco temporal de la serie de residuos estandarizada. La presencia de cualquier tipo de tendencia
suele indicar la conveniencia de aplicar una diferencia regular o estacional (segn sea la tendencia) a la serie
t
w . Si
se observa que la dispersin de los residuos no es constante, probablemente la transformacin de Box-Cox incluida
en
t
w no es adecuada.
Examinar el histograma de la serie de residuos y utilizar el estadstico de Jarque-Bera para contrastar la hiptesis
de Normalidad de las perturbaciones.
Si el modelo no contiene el parmetro
W
m , contrastar la signicacin de la media de las perturbaciones utilizando
la media residual; si se rechaza la hiptesis nula del contraste, aadir el parmetro
W
m al modelo.
Examinar la ACF y la PACF residuales. Un amortiguamiento muy lento de la ACF indica que la serie de residuos
no es estacionaria, por lo que conviene aplicar una diferencia (regular o estacional, segn convenga) adicional a la

PGINA 68
serie
t
w . Si la ACF y la PACF presentan alguna conguracin reconocible, aadir al modelo los operadores AR y
MA correspondientes. Para determinar si las autocorrelaciones simples entre las perturbaciones del modelo son
todas iguales a cero hasta cierto retardo g, puede utilizarse el valor calculado del estadstico de Ljung-Box,

2
1
( )
( ) ( 2)
g
k t
LB t
k
r a
Q a n n
n k
=
= +
-
,
que bajo la hiptesis nula de que
1 2
( ) ( ) ... ( ) 0
t t g t
A A A r r r = = = = , sigue aproximadamente una distribucin
2
( ) g m c - , donde m es el nmero total de parmetros estimados (excluyendo la varianza de las perturbaciones).
Observacin 47 - Consideraciones Adicionales: [Comparar ACF muestral de
t
w con ACF terica del modelo estimado
para
t
w ] [Representacin PI (AR)] [Medidas de ajuste] [Evaluacin de previsiones] [Observaciones inuyentes]

Ejemplos de Diagnosis
3. ST14: Series TEMP y VIVIN.


PGINA 69
PREVI SI N
Un modelo ARIMA( , , ) ARIMA( , , )
S
p d q P D Q para una serie
1
, ...,
N
y y que no requiere
ninguna transformacin de Box-Cox puede escribirse como
( ) ( )[ ] ( ) ( ) .
S d D S
p P t W q Q t
S
B B Y B B A f m q F - = Q [67]
Observacin 48: Para prever una serie temporal que s requiere alguna transformacin de Box-Cox (como un logaritmo
neperiano), primero se hacen todos los clculos referidos a la serie transformada (como se explica en la Seccin 3.13) y
luego se "deshace" la transformacin que corresponda (como se ilustra en la Observacin 60).
3.13 PREVI SI N CON MODELOS ARI MA
En un modelo como [67], la previsin puntual de
t
Y en origen N a horizonte l 1 (lead-
time) es el valor esperado de
N l
Y
+
condicionado por toda la informacin disponible sobre
t
Y hasta el momento N, lo que suele representarse como
( ) E [ ]
N N N l
Y l Y
+
para l = 1, 2, ... [68]
Observacin 49: El modelo general [67] puede escribirse como

PGINA 70
( ) ( ) ,
t t
B Y B A m
* *
F = + Q
donde

1
( ) ( ) ( ) 1 ,
p
S d D i
p P
i i S
B B B B f
*
* *
=
F F - F
con ( ) ( ) , p p d P D S
*
+ + +

1
( ) ( ) ( ) 1 ,
q
S i
q Q
i i
B B B B q
*
* *
=
Q Q - Q
con , q q QS
*
+
[ (1) (1)] .
p P W
m f m F
Por lo tanto, el modelo general [67] puede escribirse de manera explcita como

1 1
p q
t t i t t i
i i i i
Y Y A A m
* *
* *
- -
= =
= + F + - Q
.
Escribiendo esta expresin en t = N + l, la previsin puntual [68] queda

1 1
( ) E [ ] E [ ] E [ ]
p q
N N N l i N N l N N l i
i i i i
Y l Y A A m
* *
* *
+ - + + -
= =
= + F + - Q para l = 1, 2, ...
Considerada como una funcin de l, esta expresin se denomina la funcin de previsin del modelo ARIMA [67].
Observacin 50: La funcin de previsin se utiliza en la prctica para calcular previsiones (1), (2), ...
N N
y y a partir de
un modelo estimado. Para ello, se remplazan los parmetros m, ( 1, ..., )
i
i p
* *
F = , ( 1, ..., )
i
i q
* *
Q = por sus valores
estimados, se remplaza cada E [ ]
N j
Y por
j
y (un dato) si j N , o bien por ( )
N
y j N - (una previsin) si j N > , y
se remplaza cada E [ ]
N j
A por
j
a (un residuo) si j N , o bien por 0 (la esperanza incondicional de
j
A ) si j N > .
Los errores de previsin asociados con (1), (2), ...
N N
y y suelen representarse como ( ) ( )
N N l N
e l y y l
+
- (l = 1, 2,
...), y slo se pueden calcular cuando
1 2
, , ...
N N
y y
+ +
son cantidades conocidas [por ejemplo, cuando se quiere evaluar
la calidad de las previsiones de un modelo grcamente o a travs de medidas como la raz del error cuadrtico medio
(RMSE), el error absoluto medio (MAE), o el error porcentual absoluto medio (MAPE); ver Apartado 3.14.2].

PGINA 71
3.13.1 Ejemplo - Previsin con un modelo AR(1)

1 1 t t t
Y Y A m f
-
= + + .
Escribiendo esta expresin en t = N + l (l 1), y aplicando al resultado el operador E []
N
,
se obtiene que la funcin de previsin de un modelo AR(1) es

1 1
( ) E [ ] E [ ]
N N N l N N l
Y l Y A m f
+ - +
= + + . [69]
Para l = 1, [69] queda

1
(1)
N N
Y Y m f = + , [70]
mientras que para l 2, [69] queda

1
( ) ( 1)
N N
Y l Y l m f = + - . [71]
[71] es una ecuacin recursiva cuya solucin a partir de la condicin inicial [70] es

( )
1
0 1 1
( )
i l l
N N
i
Y l Y f m f
-
=
= +
para todo l 1. [72]

[72] es la funcin nal de previsin de un modelo AR(1), que converge a la media del
modelo
1
[ /(1 )]
Y
m m f = - cuando
1
1 f < y l .

PGINA 72
Observacin 51: Los errores de previsin de un modelo AR(1) tienen ciertas propiedades que pueden establecerse
examinando las diferencias tericas entre cada
1 1 N l N l N l
Y Y A m f
+ + - +
= + + y las previsiones [70]-[71]:

1
(1)
N N
A
+
= ,

1 2 2 1 1
(2) (1)
N N N N N
A A A f f
+ + +
= + = + ,

2
1 3 3 1 2 1
1
(3) (2)
N N N N N N
A A A A f f f
+ + + +
= + = + + ,

1
0 1
( ) ( 1).
i l
N N l i
i
l A l f
-
+ -
=
=

Por lo tanto, los errores de previsin tienen media cero y varianza

( )
1 2 2
0 1
( ) .
l i
i A
v l f s
-
=
=
que converge a la varianza del modelo AR(1)
2 2 2
1
( [1 /(1 )] )
Y A
s f s = - cuando
1
1 f < y l .
Observacin 52: En la prctica, a partir de un modelo AR(1) estimado:

( )
1
1
0.95
0 1 1
1

( ) , IC [ ] ( ) 1.96 ( )
i l l
N N N l N
i
y l y Y y l v l
m
f
f m f
-
+
=
-

= + =

para todo l 1.
3.13.2 Ejemplo - Previsin con un modelo MA(1)

1 1 t t t
Y A A m q
-
= + - .
Escribiendo esta expresin en t = N + l (l 1), y aplicando al resultado el operador E []
N
,

PGINA 73
se obtiene que la funcin de previsin de un modelo MA(1) es

1 1
( ) E [ ] E [ ]
N N N l N N l
Y l A A m q
+ + -
= + - . [73]

1
(1)
N N
Y A m q = - , [74]
( )
N
Y l m = . [75]
[75] es la funcin nal de previsin de un modelo MA(1), que coincide con la media del
modelo (
Y
m m = ).
Observacin 53: Los errores de previsin de un modelo MA(1) tienen ciertas propiedades que pueden establecerse
1 1 N l N l N l
Y A A m q
+ + + -
= + - y la previsin [74]-[75] correspondiente:

1
(1)
N N
A
+
= ,

2 1 1
(2)
N N N
A A q
+ +
= - ,

3 1 2
(3)
N N N
A A q
+ +
= - ,

1 1
( ) ( 2).
N N l N l
l A A l q
+ + -
= -

PGINA 74

2 2 2
1
(1) , ( ) (1 ) ( 2).
A A
v v l l s q s = = +
que a partir de l = 2 es constante y coincide con la varianza del modelo MA(1)
2 2 2
1
[ (1 ) ]
Y A
s q s = + .
Observacin 54: En la prctica, a partir de un modelo MA(1) estimado:

1 0.95
(1) , ( ) ( 2), IC [ ] ( ) 1.96 ( )

N N N Y N l N
y a y l l Y y l v l m q m m
+

= - = = =

para todo l 1.
Observacin 55: En general, puede comprobarse que ( )
N Y
y l m y
2
( )
Y
v l s en cualquier modelo estacionario.
3.13.3 Ejemplo - Previsin con un modelo IMA(1,1)

1 1 1 t t t t
Y Y A A m q
- -
= + + - .
Escribiendo esta expresin en t = N + l (l 1) y aplicando al resultado el operador E []
N
,
se obtiene que la funcin de previsin en origen N a horizonte l 1 es

1 1 1
( ) E [ ] E [ ] E [ ]
N N N l N N l N N l
Y l Y A A m q
+ - + + -
= + + - , [76]

1
(1)
N N N
Y Y A m q = + - , [77]

PGINA 75
( ) ( 1)
N N
Y l Y l m = + - . [78]
[78] es una ecuacin recursiva cuya solucin a partir de la condicin inicial [77] es

1
( )
N N N
Y l l Y A m q = + - para todo l 1. [79]
[79] es la funcin nal de previsin de un modelo IMA(1,1), que no depende de l si 0 m = ,
pero diverge cuando l si 0 m =/ .
Observacin 56: Los errores de previsin de un modelo IMA(1,1) tienen ciertas propiedades que pueden establecerse
1 1 1 N l N l N l N l
Y Y A A m q
+ + - + + -
= + + - y la previsin [77]-[78]
correspondiente:

1
(1)
N N
A
+
= ,

2 1 1 2 1 1
(2) (1) (1 )
N N N N N N
A A A A q q
+ + + +
= + - = + - ,

3 1 2 3 1 2 1 1
(3) (2) (1 ) (1 )
N N N N N N N
A A A A A q q q
+ + + + +
= + - = + - + - ,

1
0
( )
l
N N l i
i i
l A y
* -
+ -
=
=

, con
0
1 y
*
,
1
(1 ) ( 1)
i
i y q
*
= - .

PGINA 76

2 1 2 2 2
1
0
( ) ( ) 1 (1 ) 1) ,
l
i i A A
v l l s y q s
- *
=

= = + - ( -

de manera que ( ) v l cuando l .
Observacin 57: En la prctica, a partir de un modelo IMA(1,1) estimado:

1 0.95
( ) , IC [ ] ( ) 1.96 ( )
N N N N l N
y l l y a Y y l v l m q
+

= + - =

para todo l 1.
Observacin 58: En un paseo aleatorio (
1 t t t
Y Y A m
-
= + + ), los resultados del Ejemplo 3.13.3 con
1
0 q = indican
que ( )
N N
Y l l Y m = + para todo l 1, con
2
( )
A
v l l s = . En general, puede comprobarse que en cualquier modelo no
estacionario (d 1, D 1), tanto ( )
N
Y l como ( ) v l son funciones que divergen cuando el horizonte de previsin l
tiende a innito; en particular, ( ) v l cuando l , lo cual contrasta claramente con los resultados de los
ejemplos 3.13.1-3.13.2 para modelos estacionarios.
Observacin 59: En un modelo ARIMA( , , ) ARIMA( , , )
S
p d q P D Q general (Observacin 49), puede comprobarse
que los errores de previsin tienen media cero y varianza , donde
0 1 2
, , , ... y y y
* * *
son los
coecientes del polinomio
2
1 2 0
( ) ( ) / ( ) 1 ...
i
i i
B B B B B B y y y y
* * * * * *
=
Q F + + + (Observacin 39):

1
( 1),
p
i i j i j j
i y y
*
* * * *
- =
= -Q + F
con
0
1 y
*
, 0
i
y
*
= si i < 0, y 0
i
*
Q = si i q
*
> . (PRG07-PSI-PI.prg).
Observacin 60: Si una serie (original)
1 2
, , ...,
N
x x x requiere un logaritmo neperiano para estabilizar su dispersin,
entonces las previsiones puntuales, las varianzas de los errores de previsin, y los intervalos de conanza descritos en
2 1 2
0
( ) ( )
l
i i A
v l s y
- *
=
=

PGINA 77
esta seccin hacen referencia a la serie transformada ln( )
t t
y x = . En este caso, la previsin puntual para la serie
original puede calcularse simplemente como ( ) exp{ ( )}
N N
x l y l = , y el intervalo de conanza del 95% correspondiente
como exp{ ( ) 1.96 ( )}, exp{ ( ) 1.96 ( )}
N N
y l v l y l v l

- +

, que no es simtrico con respecto a ( )
N
x l . Un intervalo de
conanza (aproximado) que s es simtrico puede calcularse como ( ) 1.96 ( )
N
x l w l

, donde
2
( ) ( ) ( )
N
w l x l v l =
es una aproximacin lineal a la varianza estimada del error de previsin asociado con la serie original.
3.14 PREVI SI N - APLI CACI ONES
3.14.1 Ejemplo
Modelo para la serie PIB del archivo ST02-PIB.wf1 (34 datos anuales desde 1964 hasta 1997):

(1 0.6747 ) [ ln 0.0311] ,
(0.1302) (0.0096)
32, 0.0176.
t t
A
B x a
n s
- - =
= =
[80]
[80] tambin puede escribirse como

1
0.0101 0.6747
t t t
w w a
-
= + + , [81]
donde ln
t t
w x , o bien como

PGINA 78

1 2
0.0101 1.6747 0.6747
t t t t
y y y a
- -
= + - + , [82]
donde ln
t t
y x , dependiendo de si se quiere prever la tasa logartmica de variacin anual
del PIB real ( ln )
t t
w x , o bien el PIB real directamente ( )
t
x .
[81] es un modelo AR(1) estimado para ln
t t
w x ; por lo tanto (ver Ejemplo 3.13.1),
32 32
(1) 0.0101 0.6747 0.0329 w w = + = ,
32 32
(2) 0.0101 0.6747 (1) 0.0323 w w = + = , ..., que
converge a la media estimada del modelo, 0.0311
W
m = (un 3.11%).
Por su parte, [82] es un modelo ARI(1,1) estimado para ln
t t
y x ; por lo tanto:
[ ]
32 32 31
(1) exp 0.0101 1.6747 0.6747 x y y = + - ,
[ ]
32 32 32
(2) exp 0.0101 1.6747 (1) 0.6747 x y y = + - ,
[ ]
32 32 32
(3) exp 0.0101 1.6747 (2) 0.6747 (1) x y y = + - ,
...,
que es una secuencia creciente (no convergente) con el horizonte de previsin.
Observacin 61: En general, un modelo estimado para una serie temporal puede utilizarse para prever dicha serie o
cualquier transformacin de la misma contenida (en su caso) en la serie estacionaria correspondiente.

PGINA 79
3.14.2 Criterios de Evaluacin de Previsiones
Si (1)
N
y , (2)
N
y , ..., ( )
N
y L una secuencia de previsiones calculadas en origen N a
horizontes 1, 2, ..., L, la raz del error cuadrtico medio (RMSE, del ingls Root Mean
Squared Error) asociada con dicha secuencia es
[ ]
2
2 1 1
1 1
( ) ( )
L L
N N l N
l l L L
RMSE y l y e l
+
= =
-

,
es decir, la desviacin tpica muestral de los errores de previsin (1)
N
e , (2)
N
e , ..., ( )
N
e L .
El error absoluto medio (MAE, del ingls Mean Absolute Error) es

1 1
1 1
( ) ( )
L L
N N l N
l l L L
MAE y l y e l
+
= =
-

,
es decir, la media muestral de los valores absolutos de los errores de previsin.
El error porcentual absoluto medio (MAPE, del ingls Mean Absolute Percentage Error) es

( ) ( )
100 100
1 1
N N l N
N l N l
y l y e l
L L
y y
l l L L
MAPE
+
+ +
-
= =

,
es decir, la media muestral de los valores absolutos de los errores de previsin porcentuales.

PGINA 80
3.14.3 Ejemplo
Dos modelos alternativos para la serie VIVIN del archivo ST14-Estac.wf1 (132 datos
mensuales desde 1989:01 hasta 1999:12):

2 12
12
(1 0.5404 0.4583 ) ln (1 0.8809 ) ,
(0.0831) (0.0831) (0.0242)
117, 0.1359, AIC 1.1282, BIC 1.0574.
t t
A
B B x B a
n s
+ + = -
= = = - = -
[83]

12
12
ln (1 0.6753 ) (1 0.8918 ) ,
(0.0700) (0.0236)
119, 0.1371, AIC 1.1194, BIC 1.0727.
t t
A
x B B a
n s
= - -
= = = - = -
[84]
Por ejemplo, como
12 12 13
12
(1 )(1 ) 1 B B B B B - - = - - + , el modelo [84] queda

1 12 13 1 12 13
0.6753 0.8918 0.6022
t t t t t t t t
y y y y a a a a
- - - - - -
= + - + - - + , [85]
donde ln
t t
y x . A partir de [85], las previsiones puntuales para la serie original ( )
t
x
calculadas en origen 119 (1999:12) a horizontes 1, 2, ..., 24, son:

PGINA 81
0
20
40
60
80
100
1998 1999 2000 2001
ORIGEN - 1999:12
RMSE = 6.586 - MAE = 5.206 - MAPE = 11.44%
0
20
40
60
80
100
1998 1999 2000 2001
ORIGEN - 1999:12
RMSE = 5.435 - MAE = 4.465 - MAPE = 10.26%
FIGURA 3.36
Previsiones Calculadas con los Modelos Estimados [83]-[84]

[ ]
119 119 108 107 119 108 107
(1) exp 0.6753 0.8918 0.6022 38.455 x y y y a a a = + - - - + = ,
[ ]
119 119 109 108 109 108
(2) exp (1) 0.8918 0.6022 37.000 x y y y a a = + - - + = ,
...,
[ ]
119 119 119 119
(24) exp (23) (12) (11) 43.974 x y y y = + - = .

PGINA 82
ANLI SI S DE I NTERVENCI N
Sea ( 1, ..., )
t
y t N = una serie temporal tal que
t t t
y u h = + , donde
t
h representa el
efecto sobre el nivel de
t
y derivado de un suceso especial o de intervencin (quizs
fcilmente identicable) ocurrido en un momento t
*
dado de la historia de
t
y .
Si
t t t
u y h = - es una serie estacionaria, un modelo plausible para la serie
t
y podra ser

0 0 t t t
Y U a w x = + + , [86]
donde ( ) ( )
t t
B U B A f q = , y
t
x es una variable determinista o de intervencin del tipo

,
1 , si ;
0 , si .
I t
t
t t
t t
x
*
*
*
=
=/
[87] Impulso:

,
1 , si ;
0 , si .
E t
t
t t
t t
x
*
*
*

<
[88] Escaln:
Observacin 62: Un impulso como [87] representa un cambio puntual o transitorio en el nivel de la serie
t
y , mientras
que un escaln como [88] representa un cambio permanente en el nivel de
t
y .

PGINA 83
Observacin 63: El modelo [86] puede generalizarse para contemplar: [i] los posibles efectos de varios sucesos de
intervencin en la historia de
t
y , [ii] respuestas de
t
y ante dichos sucesos ms complejas que una respuesta
instantnea, y [iii] la posibilidad de que
t t
y h - sea una serie no estacionaria. Un modelo de intervencin en el que
caben todas estas posibilidades es el siguiente:

1 1 2 2
( ) ( ) ... ( )
t t t K tK t
Y B B B U w x w x w x = + + + + ,
donde
2
0 1 2
( ) ... ( 1, 2, ..., )
i
i
s
i i i i is
B B B B i K w w w w w - - - - = , ( ) ( ) ( ) ( )
S d D S
t t
S
B B U B B A f q F = Q , o bien

1 1 2 2
[ ] ( )[ ] ( )[ ] ... ( )[ ]
d D d D d D d D
t t t K tK t
S S S S
Y B B B W w x w x w x = + + + + ,
donde ( ) ( ) ( ) ( )
S S
t t
B B W B B A f q F = Q con
d D
t t
S
W U . Si se incluye un trmino constante
0
a en el modelo:

0 1 1 2 2
[ ] ( )[ ] ( )[ ] ... ( )[ ]
d D d D d D d D
t t t K tK t
S S S S
Y B B B W a w x w x w x = + + + + + ,
entonces
t
y tiene un componente determinista en su tendencia (lo cual no resulta apropiado en muchos casos). En
general, un modelo de intervencin adecuado para muchas series no estacionarias es el siguiente:

1 1 2 2
[ ] [ ] [ ] ... [ ] , con ( ) ( ) ( ) ( )
d D d D d D d D S S
t t t K tK t t t
S S S S
Y W B B W B B A b x b x b x f q = + + + + F = Q .
Observacin 64: En muchas ocasiones, los valores anmalos o atpicos presentes en una serie temporal pueden
corregirse mediante trminos de intervencin semejantes a los considerados anteriormente. No obstante, en general,
dichas correcciones slo deben gurar explcitamente en un modelo cuando se dispone de informacin extramuestral
que justique su presencia, o bien cuando los valores atpicos correspondientes son inuyentes (aunque no se disponga
en este caso de informacin extramuestral al respecto).

PGINA 84
-4
-3
-2
-1
0
1
2
3
4
1880 1900 1920 1940 1960
-1
0
1
1 15 ACF
-1
0
1
1 15 PACF
PANEL A - FLUJO ANUAL - NILO
1913 1899
-4
-3
-2
-1
0
1
2
3
4
1880 1900 1920 1940 1960
-1
0
1
1 15 ACF
-1
0
1
1 15 PACF
PANEL B - VARIACIN DEL FLUJO ANUAL - D( NILO )
1899 1913
3.15 ANLI SI S DE I NTERVENCI N - APLI CACI ONES
3.15.1 Ejemplo

FIGURA 3.37
Volumen del flujo anual del ro Nilo en Asun (1871-1970) - ST16
El grco temporal y la ACF muestral del Panel A sugieren que la serie
t
y original es no
estacionaria en media. Los grcos del Panel B sugieren que la serie
t
y podra representarse
con un modelo IMA(1, 1). La Figura 3.38 de la pgina siguiente contiene un modelo
IMA(1,1) estimado, junto con los residuos y la ACF y la PACF residuales correspondientes.

PGINA 85
-4
-3
-2
-1
0
1
2
3
4
1880 1900 1920 1940 1960
-1
0
1
1 15 ACF
-1
0
1
1 15 PACF
1899 1913

Dependent Variable: D(NILO)
Method: Least Squares
Sample(adjusted): 1872 1970
Included observations: 99 after adjusting endpoints
Convergence achieved after 12 iterations
Backcast: 1871
Variable Coefficient Std. Error t-Statistic Prob.
MA(1) -0.754555 0.068153 -11.07146 0.0000
R-squared 0.264126 Mean dependent var -3.838384
Adjusted R-squared 0.264126 S.D. dependent var 168.1319
S.E. of regression 144.2287 Akaike info criterion 12.79073
Sum squared resid 2038589. Schwarz criterion 12.81694
Log likelihood -632.1410 Durbin-Watson stat 1.720484

FIGURA 3.38
Estimacin de un modelo IMA(1,1) para la serie NILO
Alternativamente, el grco temporal del Panel A de la Figura 3.37 sugiere que el nivel
medio de
t
y cambi de forma permanente a partir de 1899 (debido probablemente al inicio
de la construccin de una presa nueva en Asun), y que en 1913 el nivel de
t
y fue
especialmente bajo.
La Figura 3.39 contiene los resultados de la estimacin de un modelo de intervencin para
t
y que incluye tan slo un trmino constante, un escaln en 1899 y un impulso en 1913.

PGINA 86
-4
-3
-2
-1
0
1
2
3
4
1880 1900 1920 1940 1960
1899 1913
-1
0
1
1 15 ACF
-1
0
1
1 15 PACF

Dependent Variable: NILO
Sample: 1871 1970
Included observations: 100
C 1097.750 23.02634 47.67366 0.0000
E1899 -242.2289 27.19026 -8.908663 0.0000
I1913 -399.5211 122.6990 -3.256107 0.0016
R-squared 0.492071 Mean dependent var 919.3500
Log likelihood -620.6450 F-statistic 46.98588
Durbin-Watson stat 1.723503 Prob(F-statistic) 0.000000

FIGURA 3.39
Estimacin de un modelo de intervencin para la serie NILO
La Figura 3.40 contiene una representacin grca del componente de intervencin
estimado
,1899 ,1913
(1097.75 242.23 399.52 )
E I
t t
x x - - junto con la serie original.
Observacin 65: La ocurrencia de sucesos especiales puede distorsionar el aspecto de una serie temporal, provocando
apariencia de no estacionariedad y estructuras de autocorrelacin espurias. Un anlisis de intervencin sistemtico,
basado en el empleo de informacin extramuestral y en la deteccin de observaciones inuyentes, permite modelizar
adecuadamente dichos sucesos. Las intervenciones de tipo impulso afectan slo a una observacin y pueden incluirse
en un modelo con cierta discrecionalidad; por el contrario, las intervenciones de tipo escaln son ms comprometidas y
conviene justicarlas con informacin detallada.

PGINA 87
400
600
800
1000
1200
1400
1880 1900 1920 1940 1960
1899 1913

FIGURA 3.40
Componente de intervencin estimado para la serie NILO
3.15.2 Ejemplo
Un ejemplo muy popular del anlisis de intervencin trata del efecto de legislaciones acerca
del uso del cinturn de seguridad sobre el nmero de vctimas en accidentes de trco.

PGINA 88
-4
-3
-2
-1
0
1
2
3
4
1976 1978 1980 1982 1984
-1
0
1
1 39 ACF
-1
0
1
1 39 PACF
PANEL A - FALLECIDOS Y HERIDOS GRAVES - ACC
-4
-3
-2
-1
0
1
2
3
4
1976 1978 1980 1982 1984
-1
0
1
1 39 ACF
-1
0
1
1 39 PACF
PANEL B - VARIACIN INTERANUAL - D( ACC, 0, 12 )

FIGURA 3.41
Fallecidos y heridos graves en carreteras del Reino Unido (1975:01-1984:12) - ST23
La Figura 3.41 sugiere estimar para la serie original
t
y un modelo de intervencin del tipo
,1983:02
0
E
t t
t
Y U w x = + , donde
,1983:02 E
t
x es un escaln que representa la entrada en vigor
de una nueva legislacin sobre el uso del cinturn de seguridad en febrero de 1983, y
12
12 1
(1 )
t t
U B A = - Q . La Figura 3.42 contiene el modelo estimado para
t
y , junto con los
residuos y la ACF y la PACF residuales correspondientes; la Figura 3.43 contiene el
componente de intervencin estimado
,1983:02
12
( 287.41 )
E
t
x - junto con la serie
12 t
y de la
Figura 3.41 (Panel B).

PGINA 89
-4
-3
-2
-1
0
1
2
3
4
1976 1978 1980 1982 1984
-1
0
1
1 39 ACF
-1
0
1
1 39 PACF
1983:02

Dependent Variable: D(ACC,0,12)
Sample(adjusted): 1976:01 1984:12
Included observations: 108 after adjusting endpoints
Convergence achieved after 12 iterations
Backcast: 1975:01 1975:12
D(E0283,0,12) -287.4082 22.42712 -12.81521 0.0000
MA(12) -0.930343 0.026039 -35.72909 0.0000
R-squared 0.618060 Mean dependent var -25.85185
Log likelihood -661.9443 Durbin-Watson stat 1.596903

FIGURA 3.42
Estimacin de un modelo de intervencin para la serie ACC
Observacin 66: El modelo estimado de la Figura 3.42 puede escribirse como (ver Observacin 63)

,1983:02
12
12
287.41 , con (1 0.93 ) ,
E
t t t t
t
y u u B a x = - + = - .o bien como

,1983:02
12
12 12
287.41 , con (1 0.93 )
E
t t t t
t
y w w B a x = - + = - .
El efecto estimado de la entrada en vigor de la nueva legislacin es una reduccin permanente en el nmero de
fallecidos y heridos graves aproximadamente igual a 287 personas cada mes a partir de febrero de 1983 (un efecto
notable, teniendo en cuenta que la media de la serie ACC hasta enero de 1983 es igual a 1621).

PGINA 90
-600
-400
-200
0
200
400
1976 1978 1980 1982 1984
1983:02
1984:02
Por otro lado, la modelizacin de este suceso de intervencin permite descartar una estructura de tipo autorregresivo
en
12 t
y , que parece clara en la Figura 3.41 (Panel B), pero que no est presente en los residuos de la Figura 3.42.

FIGURA 3.43
Componente de intervencin estimado para la serie ACC - Variacin interanual
3.15.3 Ejemplos Adicionales
Intervenir algunos valores atpicos o anmalos en series como TEMP y VIVIN (ST14) para
comprobar su posible inuencia en los modelos estimados correspondientes.

Ectrap Jam Tr3

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Ectrap Jam Tr3

Încărcat de

Drepturi de autor:

Formate disponibile

Internet - http://www.ucm.

DATOS - SERIE TEMPORAL

= para cualquier valor de

= en [2], lo que implica que () ln() g = . Por lo tanto, la dispersin de la serie

(un MA de orden innito) sea estacionario (Teorema de Wold).

(un AR de orden innito) el efecto parcial de

( ) S b es el valor de la suma de cuadrados

b de b), y (ii) estimar posteriormente

= P P W ; por lo tanto, en este caso el primer factor de ( ) F b en (5) es

b proporcionada por el usuario, un mtodo iterativo genera una secuencia

w w W en (5) en lugar de su expresin exacta [como

= b b ]; teniendo en cuenta que

= b b tiene poca curvatura, el verdadero

( ) 0 x F = prxima o igual a 1 indica

( ) 0 x Q = prxima o igual a 1 indica

para todo l 1. [72]

(1) , ( ) ( 2), IC [ ] ( ) 1.96 ( )

S-ar putea să vă placă și